Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADISTICA
EQUIPO 1
4 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
Integrantes:
En donde cada x_i representa uno de nuestros datos y N es el número total de datos que tenemos.
Ejemplo: La papelería Tony, realizó 5 cotizaciones de paquetes de hojas fosforescentes a diferentes
proveedores. 1 le cotizó a 100, el segundo a 95, el tercero a 85, el cuarto a 85 y el ultimo a 70. La
empresa quiere saber el precio promedio de cada paquete, para sacar su valor.
Varianza
La varianza es una medida de dispersión que representa la variabilidad de una serie de datos
respecto a su media. Formalmente se calcula como la suma de los residuos al cuadrado divididos
entre el total de observaciones.
La desviación estándar
La desviación estándar o desviación típica (σ) es una medida de centralización o dispersión para
variables de razón (ratio o cociente) y de intervalo, de gran utilidad en la estadística descriptiva.
Se define como la raíz cuadrada de la varianza. Junto con este valor, la desviación típica es una
medida (cuadrática) que informa de la media de distancias que tienen los datos respecto de su media
aritmética, expresada en las mismas unidades que la variable.
Se caracteriza por ser el estadígrafo de mayor uso en la actualidad. Se obtiene
mediante la aplicación de la siguiente fórmula:
Por lo tanto, la distribución binomial se entiende como una serie de pruebas o ensayos en la
que solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito nuestra variable aleatoria.
• 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.
Dónde:
p=
Probabilidad de éxito
q=
Probabilidad de
fracaso (1-p)
Es importante resaltar que la expresión entre corchetes no es una expresión matricial, sino que
es un resultado de una combinatoria sin repetición. Este se obtiene con la siguiente formula:
Imaginemos que un 80% de personas en el mundo ha visto el partido de la final del último
mundial de fútbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es la probabilidad de
que 3 de ellos hayan visto el partido?
x = número de éxitos, que en este caso es igual a 3, dado que buscamos la probabilidad de que
3 de los 4 amigos lo hayan visto.
Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por 100 tenemos
que hay una probabilidad del 40,96% de que 3 de los 4 amigos haya visto el partido de la final del
mundial.
i) la variable aleatoria es el número de veces que ocurre un evento durante un intervalo definido. El
intervalo puede ser tiempo, distancia, área, volumen o alguna unidad similar.
Donde:
Además, nos indican que esta variable aleatoria X sigue una distribución de Poisson,
entonces podemos
aplicar la fórmula:
Calculamos la probabilidad de que lleguen 3 pacientes en un día, es decir, f
(3). Además, el enunciado nos indica que llegan en promedio 4 pacientes por
día, es decir, μ = 4.
Veremos ahora la comparación entre las probabilidades obtenidas con la distribución binomial y la
distribución de Poisson. Ya hemos visto que la distribución de Poisson es un límite de la
distribución binomial cuando n tiende a infinito y p tiende a 0 (o a 1).
Proposición
Para cualquier número natural n se tiene una serie de n experimentos independientes con
probabilidad de éxito igual a λ/n en cada experimento; la constante λ es positiva y arbitraria.
Asumamos que Mn es la cantidad de éxitos en la serie n-ésima. Entonces se cumple:
Ejemplo:
Solución
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.
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.
Cuando N es muy grande, como criterio se suele considerar N > 10n, la distribución hipergeométrica se
puede aproximar por la binomial B( n, p ) con p = k/N.
En la siguiente escena puedes observar la función de probabilidad de la distribución hipergeométrica.
Puedes cambiar los diferentes parámetros que configuran dicha distribución y observar cómo cambia
esta función a medida que se varía alguno de ellos. Extrae tus propias conclusiones. Así mismo, puedes
utilizar también la escena como calculadora directa que permite resolver situaciones concretas que se
puedan plantear en problemas específicos. Lógicamente hay un límite para los valores de la población de
manera que la escena funcione con fluidez (valores menores de 200).
Conclusión
La distribución de probabilidad, describe el comportamiento de fenómenos estadísticos es
decir, es un listado de las probabilidades de todos los resultados posibles que podrían
presentarse si se efectúa un experimento. En la distribución discreta, las variables asumen
un número limitado de valores, por ejemplo el número de años de estudio y en la
distribución continua, las variables en estudio pueden asumir cualquier valor dentro de
determinados límites, por ejemplo la estatura de un estudiante. Son las probabilidades que
se asocian a cada uno de los valores que toma la variable aleatoria x. La distribución de
probabilidad para una variable aleatoria discreta, son las relaciones de los resultados y sus
probabilidades de las frecuencias observadas. Existen varios modelos matemáticos que
representan diversos fenómenos discretos de la vida real.
BIBLIOGRAFIA