INGENIERÍA INDUSTRIAL

PROBABILIDAD Y ESTADISTICA-AEC-1053-2021A

Actividad 1 T5 “Investigación”

Profesor: Karla Georgina Ulloa Montoya

Alumno: Jessica Stephania Martínez Egure
Fecha: 18 de Mayo del 2021
Introducción.

Para esta unidad 5 voy a realizar una Investigación Bibliográfica acerca de

algunos de los temas vistos en las unidades anteriores de varias de las
distribuciones más importantes para la estadistica. Se investigara su concepto,
algunas de sus características, formulas y algunos ejemplos claros para poder
entender mejor para que tipo de situaciones se utiliza cada una y como poder
realizarlas.

 Distribución Binomial.
 Distribución Hipergeométrica
 Aproximación de la Hipergeométrica por la Binomial.
 Distribución Geométrica.
 Distribución Multinomial.
 Distribución de Poisson.
 Aproximación de la Binomial por la de Poisson.
 Distribución Binomial Negativa.
 Distribución Uniforme (Discreta)
Distribución Binomial:

Es la principal distribución de probabilidad discreta para variables dicotómicas,

es decir, que sólo pueden tomar dos posibles resultados. Bernoulli definió el
proceso conocido por su nombre. Dicho proceso, consiste en realizar un
experimento aleatorio una sola vez y observar si cierto suceso ocurre o no,
siendo p la probabilidad de que ocurra (éxito) y q=1‐p de que no ocurra (fracaso)
, por lo que la variable sólo puede tomar dos posibles valores, el 1 si ocurre y el
0 sino sucede.

La distribución binomial viene definida como sigue:

 Sea una población de tamaño ∞.

 Sea una muestra de tamaño n (número de repeticiones del experimento).
 Los n experimentos realizados son independientes.
 Cada ensayo produce uno de los dos únicos posibles resultados, a los
que por comodidad de nomenclatura, les llamaremos acierto (A) y su
complementario Fallo (F o A ).
 Sea A un suceso que tiene una probabilidad p de suceder y en
consecuencia, su complementario tendrá una probabilidad 1‐p de
suceder.
 X: número de individuos de la muestra que cumplen A.
 El conjunto de posibles valores de A es, E = {0,1,2,3,4....}

Algunos ejemplos típicos de la distribución binomial son:

∼ Al nacer puede ser varón o hembra.

∼ Un equipo de baloncesto puede ganar o perder.

∼ En un test psicotécnico hay peguntas de verdadero o falso, es decir sólo hay

dos alternativas.

∼ Un tratamiento médico, como por ejemplo la vacuna de la gripe A, puede ser

efectivo o inefectivo.

∼ El objetivo de ventas al año de coches en un concesionario se puede o no

lograr.
Características.

Se dice que X sigue una distribución Binomial de parámetros n y p, que se

representa con la siguiente notación:

Su función de probabilidad viene definida por:

Su media y su varianza, vendrán dadas por las siguientes expresiones:

Media:

Varianza:

La distribución binomial se puede expresar de forma gráfica, y que en realidad

consiste en un diagrama de barras, similar a los obtenidos en la función de
probabilidad pero que van a ir variando su forma en función de los valores de n
y de p al modificarse las probabilidades de los distintos posibles valores de

P(X=x).
Ejemplo:

¿Qué probabilidad hay de obtener al menos un seis al realizar seis lanzamientos

consecutivos de un dado?

Sea el suceso A: obtener un seis al lanzar un dado

La probabilidad de A, sería p= 1/6.

La distribución binomial 7

Sea la variable X ~ número de seises obtenidos en los seis lanzamientos ~ B

(n=6, p=1/6).

Distribución Hipergeométrica.

La distribución hipergeométrica es una alternativa a la distribución binomial

cuando las pruebas no son independientes (muestreo sin reposición). Cuando el
muestreo o la selección de elementos de la muestra se hace sin reposición, la
probabilidad de éxito no permanece constante como sucedía en el caso binomial.

La distribución hipergeométrica se presenta en procesos muestrales sin

reemplazo en lo que se investiga la presencia o ausencia de cierta característica.

Caracteristicas.

4.2.1. La población o conjunto donde debe hacerse el muestreo consta de

número de individuos o elementos a seleccionar.

4.2.2. Cada individuo puede ser caracterizado como un éxito (E) o fracaso (F).

4.2.3. Se selecciona una muestra de n individuos de entre los k individuos

marcados con éxito y los N-K restantes como fracaso.

4.2.4. Las probabilidades asociadas a cada uno de los resultados no son

constantes.
4.2.5. Cada ensayo o repetición del experimento no es independiente de los
demás.

4.2.6. El número de repeticiones del experimento (n) es constante.

Utilidad.

La distribución hipergeométrica es especialmente útil en todos aquellos casos en

los que se extraiga muestras o se realizan 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 y
tiene grandes aplicaciones en el control de calidad en otros procesos
experimentales en los que no es posible retornar a la situación de partida.

Formula.

La fórmula de la distribución hipergeométrica:

donde:

𝑁 = Número de elementos de la población

𝑛 = Número de elementos de la muestra

𝑘 = Número de éxitos en la población

𝑥 = Número de éxitos en
la muestra
Medidas de Resumen de la Distribución Probabilística Hipergeométrica

a. Media aritmética, Valor esperado o Esperanza matemática

b. Varianza

Aproximación de la Hipergeométrica a la Binomial

Si el tamaño 𝑛 de la muestra sin reemplazo es pequeña con relación a N, la

probabilidad de cada extracción varía muy levemente.

En la práctica cuando 𝑛 es menor que el 10% de N, (es decir,𝑛/N < 0,1) se

aproxima la distribución hipergeométrica a la distribución binomial con 𝑝 = 𝑘/𝑁 y
𝑛. Entonces:

La media y la varianza se aproximan por:

PROBLEMA RESUELTO.

Considerando que en la urna hay un total de 100 objetos, 3 de los cuales son
defectuosos, si se seleccionan 4 objetos al azar. ¿Cuál es la probabilidad que 2
sean defectuosos?

SOLUCIÓN
Aproximación de la Hipergeometrica por la bonimial.

Sea X una variable aleatoria con distribución hipergeométrica, como en la

sección anterior. Si el tamaño del lote es suficientemente grande, la distribución
X puede ser aproximada por la distribución binomial, es decir,

En efecto, para probarlo primero se demostrara que la distribución

hipergeometrica está acotada, es decir,

A continuación se deducirá la primera desigualdad:

Distribución Geométrica.

Se recordará que en un experimento binomial se tiene una serie de eventos

idénticos e independientes, y que cada uno origina un “éxito” E o un “fracaso” F,
con p(E) = p y p(F) = 1- p = q. Si se interesa el número x de pruebas hasta la
observación del primer éxito, entonces x posee una distribución de probabilidad
geométrica. Nótese que el número de pruebas podría seguir indefinidamente y
que x es un ejemplo de variable aleatoria discreta que puede tomar un número
infinito (pero contable) de valores. Las fórmulas para la distribución geométrica
son:

Media:

Varianza:

Desviación estándar:

La distribución de probabilidad geométrica es una analogía discreta de (una

aproximación para) una distribución de probabilidad continua particular, conocida
como distribución exponencial].
Ejemplo.

. Los registros indican que una cierta vendedora tiene éxito en formular venta en
30% de sus entrevistas. Supóngase que una venta en una entrevista es
independiente de una venta cualquier otro momento.

a) ¿Cuál es la probabilidad de que esta vendedora tenga que tratar con 10

personas antes de hacer su primera venta?

b) ¿Cuál es la probabilidad que la primera venta se realice antes o en la décima

oportunidad?
Distribución Multinominal.

La distribución multinomial es esencialmente igual a la binomial con la única

diferencia de que cada prueba tiene más de dos posibles resultados mutuamente
excluyentes.

Si tenemos K resultados posibles (Ei, i = 1, ... , K) con probabilidades fijas (pi , i

= 1, ... , K), la variable que expresa el número de resultados de cada tipo
obtenidos en n pruebas independientes tiene distribución multinomial.

La probabilidad de obtener x1 resultados E1, x2 resultados E2, etc. se representa

como:

Los parámetros de la distribución son p1,..., pK y n.

Distribución de Poisson.

Una variable de tipo poisson cuenta éxitos (es decir, objetos de un tipo
determinado) que ocurren en una región del espacio o del tiempo.

El experimento que la genera debe cumplir las siguientes condiciones:

1. El número de éxitos que ocurren en cada región del tiempo o del espacio es
independiente de lo que ocurra en cualquier otro tiempo o espacio disjunto del
anterior.

2. La probabilidad de un éxito en un tiempo o espacio pequeño es proporcional

al tamaño de este y no depende de lo que ocurra fuera de él.

3. La probabilidad de encontrar uno o más éxitos en una región del tiempo o del
espacio tiende a cero a medida que se reducen las dimensiones de la región en
estudio.

Como consecuencia de estas condiciones, las variables Poisson típicas son

variables en las que se cuentan sucesos raros.

La función de probabilidad de una variable Poisson es:

El parámetro de la distribución es λ que es igual a la media y a la varianza de la

variable.

La distribución de Poisson se puede considerar como el límite al que tiende la

distribución binomial cuando n tiende a ∞ y p tiende a 0, siendo np constante (y
menor que 7); en esta situación sería difícil calcular probabilidades en una
variable binomial y, por tanto, se utiliza una aproximación a través de una
variable Poisson con media l = n p.

La varianza de la variable aproximada es ligeramente superior a la de la variable

binomial.

Las variables Poisson cumplen la propiedad de que la suma de variables Poisson

independientes es otra Poisson con media igual a la suma las medias.

Ejemplo 1:

Se ha descubierto que el 13,5% de los discos duros portátiles vendidos por

una empresa multinacional no contienen ningún sector defectuoso. Si

suponemos que el número de sectores defectuosos por disco duro es una

variable aleatoria con distribución de Poisson, determine el porcentaje de

discos duros portátiles vendidos con un sector defectuoso.

Aproximación de la binomial por la de Poisson.

Es la distribución de probabilidad discreta del número de éxitos en una secuencia

de n ensayos de Bernoulli independientes.

Los hechos a observar tienen naturaleza aleatoria ; pueden producirse o no de

una manera no determinística. · La probabilidad de que ocurra un hecho en un
intervalo infinitésimo es prácticamente proporcional a la amplitud del intervalo.
Sea X una v.a. con distribución Binomial

X → B(n; p)

Si se verifica que:

La distribución binomial se aproxima a una distribución de Poisson de parámetro

λ= np

Ejemplo:

La probabilidad de que al administrársele un antibiótico a un ave rapaz en

recuperación se le presente una reacción negativa es 0.05. Si se le va a
administrar el antibiótico a 80 de estas aves, calcúlese la probabilidad de que:

1. No haya reacción negativa en ningún ave

2. Al menos haya reacción negativa en dos de ellas

3. Como mucho la haya en 5

Distribución binomial negativa.

Consideremos ahora un experimento aleatorio consistente en repeticiones

independientes de ensayos de Bernoulli con probabilidad de éxito constante,
hasta que aparezca el éxito k-ésimo. Es decir, en lugar de fijar el número de
ensayos y observar el número de éxitos en esas n realizaciones, se repiten las
realizaciones hasta obtener un número determinado de éxitos y contabilizamos
los fracasos. Definimos la variable aleatoria con distribución binomial negativa
como aquella que modeliza el número de fracasos antes de que aparezca el éxito
k-ésimo.

Nota.- Si en vez de contabilizar el número de fracasos antes del k-ésimo éxito se

contabiliza el número de pruebas necesarias (variable aleatoria Y = X + k), se
obtiene la distribución de Pascal que verifica:
Función de distribución:

Función generatriz de momentos:

Momentos: Existen todos dado que existe la función generatriz de momentos.

Nos limitaremos a obtener los momentos de primer y segundo orden.

Media:

Varianza:
Distribución uniforme (discreta).

Es la distribución de probabilidad se asocia a variables cuyos posibles valores

tienen todos la misma probabilidad. Si una variable aleatoria X cuyos posibles
valores son x1, . . . , xn, tiene distribución uniforme discreta entonces.

Intuitivamente, esta variable está asociada al experimento similares al de elegir

al azar un número entre 1 y n sin disponer de ninguna información adicional.

Referencias
(s.f.). Obtenido de https://www.ugr.es/~bioestad/_private/Tema_4_color.pdf

(s.f.). Obtenido de https://www.ucm.es/data/cont/media/www/pag-

54183/APUNTES%20ESTADÍSTICA%202.pdf

Chemal Bernal, R. (Diciembre de 2001). Universidad Veracruzana. Obtenido de

https://cdigital.uv.mx/bitstream/handle/123456789/47475/ChimalBernalRocio.pdf?se
quence=1&isAllowed=y

Gamero Buron, C., & Iranzo Acosta, J. (s.f.). Obtenido de Universidad de Malaga:
https://riuma.uma.es/xmlui/bitstream/handle/10630/10388/7%20PIE%20-
%20MODELOS%20PROBABILIDAD%20VAD.pdf?sequence=1

Grado en Estadistica. (s.f.). Obtenido de

https://www.ugr.es/~proman/ProbI/2016_2017/PDF/DistribucionesDiscretas.pdf

Licenciatura en Ciencias Ambientales. (s.f.). Obtenido de

http://matematicas.unex.es/~mota/ciencias_ambientales/tema5_nuevo.pdf

Martínez Gomez, M. (s.f.). Obtenido de Universidad Politecnica de Valencia:

https://riunet.upv.es/bitstream/handle/10251/7936/Distribucion%20binomial.pdf?se
quence=3

Martínez Gómez, M. (s.f.). La distribución binomial. Obtenido de

https://riunet.upv.es/bitstream/handle/10251/7936/Distribucion%20binomial.pdf?se
quence=3

Trejo López, M., Castañeda Carrión, Y., & Valverde Flores, C. (s.f.). Repositorio Institucional.
Obtenido de
http://repositorio.unjfsc.edu.pe/bitstream/handle/UNJFSC/2039/TEXTO%20DIST.%20
PROBABILISTICAS%202012_.pdf?sequence=1&isAllowed=y