INSTITUTO TECNOLÓGICO DE JIQUILPAN

 

                                                                                       

MATERIA: PROBABILIDAD Y ESTADÍSTICA

PERIODO ESCOLAR: FEBRERO 2021 – JULIO 2021
CONTINGENCIA EDUCATIVA A DISTANCIA

TEMA: DISTRIBUCIONES DE PROBABILIDAD

PROFESOR: ANDRES LOPEZ VALDOVINOS

NOMBRE: VÍCTOR MANUEL ALCALÁ CÁRDENAS

NO. CONTROL: 20420214

GRUPO: 2 B ING. INDUSTRIAL

La distribución binomial

La distribución binomial es una distribución de probabilidades mediante la cual se

calcula la probabilidad de ocurrencia de eventos, siempre que se presenten bajo
dos modalidades: éxito o fracaso.

Estas denominaciones (éxito o fracaso) son completamente arbitrarias, ya que no

necesariamente significan cosas buenas o malas. Durante este artículo
indicaremos la forma matemática de la distribución binomial y luego se explicará
con detalle el significado de cada término.

Ecuación

La ecuación es la siguiente:
Con x = 0, 1, 2, 3….n, donde:

– P(x) es la probabilidad de tener exactamente x éxitos entre n intentos o ensayos.

– x es la variable que describe al fenómeno de interés, correspondiente al número

de éxitos.

– n el número de intentos

– p es la probabilidad de éxito en 1 intento

– q es la probabilidad de falla en 1 intento, por lo tanto q = 1 – p

El símbolo de admiración “!” se utiliza para la notación factorial, de modo que:

0! = 1

1! = 1

2! = 2.1 = 2

3! = 3.2.1 = 6

4! = 4.3.2.1 = 24

5! = 5.4.3.2.1 = 120

Y así sucesivamente.

Concepto

La distribución binomial es muy apropiada para describir situaciones en las que un

evento se produce o no se produce. Si se produce es un éxito y si no, entonces es
un fracaso. Además la probabilidad de éxito debe mantenerse siempre constante.
Hay fenómenos que se ajustan a estas condiciones, por ejemplo el lanzamiento de
una moneda. En este caso, podemos decir que el “éxito” es obtener una cara. La
probabilidad es ½ y no cambia, sin importar cuantas veces se lance la moneda.

El lanzamiento de un dado honesto es otro buen ejemplo, así como categorizar en

piezas buenas y piezas defectuosas una determinada producción y obtener un rojo
en vez de un negro al girar una ruleta.

Características

Podemos resumir las características de la distribución binomial de la siguiente

manera:

– Cualquier evento u observación, se extrae de una población infinita sin

reemplazo o de una población finita con reemplazo.

– Se consideran solamente dos opciones, mutuamente excluyentes: éxito o

fracaso, como se explicó al comienzo.

– La probabilidad de éxito debe ser constante en cualquier observación que se

haga.

– El resultado de cualquier evento es independiente de cualquier otro evento.

– La media de la distribución binomial es n.p

– La desviación estándar es:

Ejemplo de aplicación

Tomemos un evento sencillo, que puede ser obtener 2 caras 5 al lanzar un dado
honesto 3 veces. ¿Qué probabilidades hay de que en 3 lanzamientos se obtengan
2 caras de 5?

Hay varias formas de lograrlo, por ejemplo que:

– Los dos primeros lanzamientos sean 5 y el último no.

– El primero y el último sean 5 pero no el del medio.

– Los dos últimos lanzamientos resulten 5 y el primero no.

Tomemos como ejemplo la primera secuencia descrita y calculemos su

probabilidad de ocurrencia. La probabilidad de obtener una cara 5 en el primer
lanzamiento es 1/6, y también en el segundo, pues son eventos independientes.

La probabilidad de obtener otra cara distinta de 5 en el último lanzamiento es 1 –

1/6 = 5/6. Por lo tanto la probabilidad de que salga esta secuencia, es el producto
de las probabilidades:

(1/6). (1/6). (5/6) = 5 / 216 = 0.023

¿Qué hay de las otras dos secuencias? Tienen idéntica probabilidad: 0.023.

Y como tenemos un total de 3 secuencias exitosas, la probabilidad total será:

P (2 caras 5 en 3 lanzamientos) = Número de secuencias posibles x probabilidad

de una secuencia particular = 3 x 0.023 = 0.069.

Ahora probemos con la binomial, en la cual se hace:

x = 2 (obtener 2 caras de 5 en 3 lanzamientos es el éxito)

n= 3

p = 1/6

q = 5/6
La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80%
de los lectores ya la han leído.

Un grupo de 4 amigos son aficionados a la lectura:

1 ¿Cuál es la probabilidad de que en el grupo hayan leído la novela 2 personas?

2 ¿Y cómo máximo 2?

Solución

La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80%
de los lectores ya la han leído.

Un grupo de 4 amigos son aficionados a la lectura:

1¿Cuál es la probabilidad de que en el grupo hayan leído la novela 2 personas?

2¿Y cómo máximo 2?

Lanzamiento de una moneda y su probabilidad

Se lanza una moneda cuatro veces.

Calcular la probabilidad de que salgan más caras que cruces.

Solución

Se lanza una moneda cuatro veces.

Calcular la probabilidad de que salgan más caras que cruces.

Marcando al azar, probabilidad de conexión

Si de seis a siete de la tarde se admite que un número de teléfono de

cada cinco está comunicando.

¿Cuál es la probabilidad de que, cuando se marquen 10 números de

teléfono elegidos al azar, sólo comuniquen dos?
Solución

Si de seis a siete de la tarde se admite que un número de teléfono de

cada cinco está comunicando.

¿Cuál es la probabilidad de que, cuando se marquen 10 números de

teléfono elegidos al azar, sólo comuniquen dos?

Bolas en una urna y su probabilidad de extracción

En una urna hay 30 bolas, 10 rojas y el resto blancas.

Se elige una bola al azar y se anota si es roja; el proceso se repite, devolviendo la

bola, 10 veces.

Calcular la media y la desviación típica.

Solución

En una urna hay 30 bolas, 10 rojas y el resto blancas.

Se elige una bola al azar y se anota si es roja; el proceso se repite, devolviendo la

bola, 10 veces. Calcular la media y la desviación típica.
La distribución de Poisson

La distribución de Poisson es una distribución de probabilidad discreta que

modeliza la frecuencia de eventos determinados durante un intervalo de tiempo
fijado a partir de la frecuencia media de aparición de dichos eventos.
En otras palabras, la distribución de Poisson es una distribución de probabilidad
discreta que, tan solo conociendo los eventos y su frecuencia media de
ocurrencia, podemos saber su probabilidad.

Expresión de la distribución de Poisson

Dada una variable aleatoria discreta X decimos que su frecuencia se puede

aproximar satisfactoriamente a una distribución de Poisson, tal que:

Expresión de la distribución de Poisson

A diferencia de la distribución normal, la distribución de Poisson solo depende de
un parámetro, mu (marcado en amarillo).

Mu informa del número esperado de eventos que ocurrirán en un intervalo de

tiempo fijado. Cuando se habla de algo “esperado” tenemos que redirigirlo a
pensar en la media. Por tanto, mu es la media de la frecuencia de los eventos.

Tanto la media como la varianza de esta distribución son mu, estrictamente

positiva.

Características de la distribución de Poisson

1. Las consecuencias de los eventos son independientes. La ocurrencia de un

evento en un intervalo de espacio o tiempo no tiene efecto sobre la probabilidad
de una segunda ocurrencia del evento en el mismo, o cualquier otro intervalo.
2. Teóricamente, debe ser posible un número infinito de ocurrencias del evento en
el intervalo.
3. La probabilidad de la ocurrencia única del evento en un intervalo dado es
proporcional a la longitud del intervalo.
Una Particularidad de la distribución de Poisson es el hecho de que la media y la
varianza son iguales.

Representación
Dada una distribución de Poisson con media 2, la distribución de probabilidad de
densidad es la siguiente:

Función de densidad de probabilidad de Poisson

La función solo está definida en valores enteros de x.

No todas las distribuciones de probabilidad de densidad de Poisson tendrán el

mismo aspecto aunque mantengamos igual la muestra. Si cambiamos la media, es
decir, el parámetro del que depende la función, también cambiará la función.

Función de densidad de probabilidad (fdp)

Función de densidad de probabilidad de Poisson

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:

Parámetro y realizaciones de la variable

aleatoria
Una vez ya tenemos las probabilidades calculadas, junto con las observaciones ya
podemos dibujar la distribución de densidad de probabilidad.

Historia

El nombre de esta distribución proviene de su creador, Siméon-Denis Poisson

(1781-1840), un matemático y filósofo francés, que quería modelar la frecuencia
de eventos durante un intervalo de tiempo fijado. También participó en
perfeccionar la ley de los grandes números.

Aplicación

La distribución de Poisson se utiliza en el campo de riesgo operacional con el

objetivo de modelar las situaciones en que se produce una pérdida operacional.
En riesgo de mercado se emplea el proceso de Poisson para los tiempos de
espera entre transacciones financieras en bases de datos de alta frecuencia.
También, en riesgo de créditose tiene en cuenta para modelar el número
de quiebras.

Ejemplos

1. Suponemos que estamos en temporada de invierno y queremos ir a

esquiar antes de diciembre. La probabilidad que abran las estaciones de
esquí antes de diciembre es del 5%. De las 100 estaciones de esquí,
queremos saber la probabilidad de que la estación de esquí más cercana
abra antes de diciembre. La valoración de esta estación de esquí es de 6
puntos.

Los inputs necesarios para calcular la función de probabilidad de densidad de la

Poisson son el conjunto de datos y mu:

• Conjunto de datos = 100 estaciones de esquí.

 • Mu = 5% * 100 = 5 es el número de estaciones de esquí esperado dado el
conjunto de datos.

Función de densidad de probabilidad de Poisson

Entonces, la estación más cercana tiene una probabilidad de 14,62% de que
abra antes de diciembre.

2. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10
cheques sin fondos en cualquiera de dos días consecutivos?

Solución:
a) x = variable que nos define el número de cheques sin fondo que
llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718

b)
x= variable que nos define el número de cheques sin fondo que llegan al
banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en
dos días consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de otra
forma, debe “hablar” de lo mismo que x.

3. En la inspección de hojalata producida por un proceso electrolítico continuo,

se identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfección en 3 minutos, b) al menos
dos imperfecciones en 5 minutos, c) cuando más una imperfección en 15
minutos.
 Solución:
a) x = variable que nos define el número de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata

b) x = variable que nos define el número de imperfecciones en la

hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la
hojalata

=1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el número de imperfecciones en la

hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata

=
0.0498026 + 0.149408 = 0.1992106

4. Cierta enfermedad tiene probabilidad de ocurrir p=1/100000, lo que en

Medicina se denomina prevalencia. Calcula la probabilidad de que en una ciudad
de 500000 habitantes haya más de 3 personas con dicha enfermedad. ¿Cuál sería
en dicha ciudad el número de enfermos esperado?
Solución:
El problema se podría abordar mediante una B( 500000, 0,00001 )
En este caso aproximaremos por un modelo de Poisson de parámetro
Distribución hipergeometrica
Hasta ahora hemos analizado distribuciones que modelaban situaciones en las
que se realizaban pruebas que entrañaban una dicotomía (proceso de Bernouilli)
de manera que, en cada experiencia, la probabilidad de obtener cada uno de los
dos posibles resultados se mantenía constante.
Si el proceso consistía en una serie de extracciones o selecciones ello implicaba la
reposición de cada extracción o selección, o bien la consideración de una
población muy grande (cartas en un casino). Sin embargo, si la población es
pequeña y las extracciones no se remplazan, las probabilidades no se mantendrán
constantes. La distribución hipergeométrica viene a cubrir esta necesidad de
modelar procesos de Bernouilli con probabilidades no constantes (sin
reemplazamiento).

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 a tener en cuenta en una distribución hipergeométrica:

§ 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.

En estas condiciones, se define la variable aleatoria X = “nº de éxitos obtenidos”.

La función de probabilidad de esta variable sería:
La media, varianza y desviación típica de esta distribución vienen dadas por:

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:

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.
3. Para evitar que lo descubran en la aduana, un viajero ha colocado 6
tabletas de narcótico en una botella que contiene 9 píldoras de vitamina
que son similares en apariencia. Si el oficial de la aduana selecciona 3
tabletas aleatoriamente para analizarlas, a) ¿Cuál es la probabilidad de que
el viajero sea arrestado por posesión de narcóticos?, b) ¿Cuál es la
probabilidad de que no sea arrestado por posesión de narcóticos?.

Solución:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narcótico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narcótico = variable que nos indica el número de
tabletas de narcótico que se puede encontrar al seleccionar las 3 tabletas

p(viajero sea arrestado por posesión de narcóticos) = p(de que entre las 3
tabletas seleccionadas haya 1 o más tabletas de narcótico)
 4. De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el
lote contiene 3 proyectiles defectuosos que no explotarán, ¿cuál es la
probabilidad de que , a) los 4 exploten?, b) al menos 2 no exploten?

Solución:
a) N = 10 proyectiles en total
a = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el número
de proyectiles que explotan entre la muestra que se dispara

b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan

p(al menos 2 no exploten) = p( 2 o más proyectiles no exploten) = p(x = 2 o 3; n=4)

=
Conclusiones
La estadística es la ciencia que se trata de cuantificar la probabilidad de la
ocurrencia o el efecto de cualquier evento, sujeto, proceso, fenómeno o
interacciones resultantes. Hay que recalcar que la estadística es solamente un
medio y no el fin. Sin embargo, algunos investigadores se involucran tanto en los
detalles de la estadística que parece que hasta se trata de ajustar la realidad a los
métodos estadísticos, es decir, para estos investigadores, si la estadística no
define una realidad, uno debe deshacerse de la realidad. En otras palabras,
hemos sido testigo de abuso, mal uso y sobre uso de esta herramienta en las
investigaciones en diferentes disciplinas de la búsqueda de patrones repetitivas,
que forman el propósito de una franquicia muy sería denominada la ciencia (Badii
& Castillo, 2007). Los ejemplos de este mal uso de la estadística abundan en las
m