INGENIERÍA INDUSTRIAL

PROBABILIDAD Y ESTADISTICA

Profesor: RAFAEL COLUNGA CASTAÑEDA

Alumno: Luis Alberto Beltrán Herrera
Fecha: 4 de diciembre de 2022
Distribución binomial

Una distribución binomial, en estadística, es una distribución de probabilidad

discreta (función que asigna a cada evento definido sobre la variable la
probabilidad de que ocurra dicho evento) que describe el número de éxitos al
realizar n experimentos o ensayos de Bernoulli independientes entre sí, sobre un
variable aleatoria. ¿Parece demasiado complicado? ¡Veamos un ejemplo para que
puedas entenderlo mejor!

Un experimento de Bernoulli se caracteriza por tener solo dos resultados. Uno de

ellos se denomina "éxito" y el otro, "fracaso". Por ejemplo, imagine un lanzamiento
de moneda cuyo resultado de "cara" sea el éxito. Si lanzamos la moneda al aire 5
veces y contamos los éxitos que obtenemos, nuestra distribución de probabilidad
se ajustaría a una distribución binomial.

Así, en otras palabras, la distribución binomial se define como una serie de

experimentos o ensayos en los que solo podemos tener 2 resultados posibles
(éxito o fracaso), siendo el éxito la variable aleatoria.

Por ejemplo, al lanzar un dado, la probabilidad de que el resultado sea par o impar
será exactamente la misma: 50%. Y no importa cuántas veces lo lancemos, la
probabilidad, en cada una de esas veces, seguirá siendo del 50 %. Igual que en el
ejemplo de la moneda.

En la distribución binomial hay tres variables:

n es el número de veces que repetimos el experimento.

p es uno de los dos resultados que llamaremos éxito.
q es el otro resultado posible que llamaremos fracaso.
La probabilidad de cada posibilidad no puede ser mayor que 1 y no puede ser
negativa. Por eso, como pyq son los dos únicos resultados posibles, entre los dos
su porcentaje debe sumar uno, de manera que p =1- q.

. Propiedades de la distribución binomial

Para que se considere que una variable aleatoria sigue una distribución binomial,
debe satisfacer las siguientes propiedades:

Como hemos dicho, en cada ensayo, experimento o prueba solo puede haber dos
resultados posibles (éxito o fracaso).
La probabilidad de éxito debe ser constante. Por ejemplo, la probabilidad de
obtener un número par al lanzar un dado es 0,5 y esto es constante ya que el
dado no cambia en cada intento y la probabilidad de obtener incluso es constante.
La probabilidad de falla también debe ser constante.

Hasta ahora hemos analizado distribuciones que modelaban situaciones en las

que se realizaban pruebas que implicaban una dicotomía (proceso de Bernoulli) de
forma que en cada experiencia se mantenía constante la probabilidad de obtener
cada uno de los dos posibles resultados. Si el proceso consistía en una serie de
extracciones o selecciones, ello implicaba la sustitución de cada extracción o
selección, o bien la consideración de una población muy numerosa. Sin embargo,
si la población es pequeña y no se reemplazan las extracciones, las
probabilidades no permanecerán constantes. En este caso, las distribuciones
anteriores no nos ayudarán a modelar la situación. La distribución hipergeométrica
viene a cubrir esta necesidad de modelar procesos de Bernoulli con
probabilidades no constantes (sin reemplazo).
 La distribución hipergeométrica es especialmente útil en todos aquellos casos
en los que se extraen muestras o se realizan experiencias repetidas sin devolver
el elemento extraído o sin volver a la situación experimental inicial.

De hecho, modela situaciones en las que un test dicotómico se repite un

determinado número de veces de tal forma que con cada resultado sucesivo se
altera la probabilidad de obtener uno u otro resultado en el siguiente test. Es una
distribución fundamental en el estudio de pequeñas muestras de pequeñas
poblaciones y en el cálculo de probabilidades de juegos de azar, y tiene grandes
aplicaciones en control de calidad en otros procesos experimentales en los que no
es posible volver a la situación de partida. .

La distribución hipergeométrica se puede derivar de un proceso puramente

experimental o de Bernoulli con las siguientes características:

· El proceso consta de n pruebas, separadas o separables de entre un

conjunto de N pruebas posibles.

· Cada una de las pruebas puede dar sólo dos resultados mutuamente
excluyentes: A y no A.

· En la primera prueba las probabilidades son :P(A)= p y P(A)= q ;con

p+q=l.

¿Qué es la aproximación de la hipergeométrica por la binomial?

Aproximación de la hipergeométrica por la binomial Es uno de los modelos
matemáticos que se utiliza cuando la variable aleatoria discreta es el número de
aciertos en una muestra compuesta por n observaciones. Cada observación se
clasifica en una de dos categorías, mutuamente excluyentes y colectivamente
exhaustivas.
¿Qué es la aproximación del binomio por el Poisson?
En matemáticas, especialmente en teoría de probabilidades, se puede usar la
aproximación de Poisson de la distribución binomial, cuando hay un resultado
diferente sobre la probabilidad de que ocurra un número dado de éxitos en una
serie de experimentos independientes.

¿Cómo se usa el teorema de Chebyshev?

La desigualdad de Chebyshev es un teorema utilizado en estadística que

proporciona una estimación conservadora (intervalo de confianza) de la
probabilidad de que una variable aleatoria con varianza finita se encuentre dentro
de una cierta distancia de su expectativa o media.

¿Cuál es la diferencia entre el teorema de Chebyshev y la regla empírica?

La diferencia es que el teorema de Chebyshev es válido para cualquier variable
aleatoria mientras que la regla empírica es para una variable normalmente
distribuida. Por eso siempre podemos usar el teorema pero no siempre la regla
empírica.

¿Qué dice el teorema de Telestaff y la regla empírica?

El teorema de Chebyshev explica que al menos 1-1/k2 de datos en una muestra
debe estar dentro de K, que es la desviación estándar de la media. Por otro lado,
el 95 % está dentro de dos desviaciones estándar de la media, y
aproximadamente el 99 % está dentro de tres desviaciones estándar de la media.
distribucion geometrica
Obtenga más información sobre el software estadístico de Minitab
Cuando realiza un experimento que tiene solo dos resultados posibles, la
distribución geométrica es una distribución discreta que puede modelar la cantidad
de intentos consecutivos necesarios para observar el resultado de interés por
primera vez. La distribución geométrica también puede modelar el número de no
eventos que ocurren antes de que se observe el primer resultado.
Por ejemplo, una distribución geométrica puede representar el número de veces
que se debe lanzar una moneda para obtener el primer resultado "cara". De
manera similar, para los productos construidos en una línea de ensamblaje, la
distribución geométrica puede modelar el número de unidades producidas antes
de que se produzca la primera unidad defectuosa. El siguiente gráfico representa
una distribución geométrica con probabilidad de evento de 0,5.
¿Qué significa "sin memoria"?
Una propiedad importante de la distribución geométrica es que funciona sin
memoria. La probabilidad de un evento no depende de intentos previos. Por lo
tanto, la tasa de ocurrencia permanece constante.

La propiedad sin memoria indica que la vida útil restante de un componente no

depende de su edad actual. Por ejemplo, los ensayos aleatorios de lanzar una
moneda demuestran la propiedad de falta de memoria. Un sistema que
experimenta un desgaste natural y, por lo tanto, es más probable que falle más
adelante en su vida no es un sistema sin memoria.

DISTRIBUCIÓN BINOMIAL NEGATIVA.

Esta distribución puede considerarse como una extensión o ampliación de la

distribución geométrica. La distribución binomial negativa es un modelo adecuado
para tratar aquellos procesos en los que se repite un determinado ensayo o
prueba hasta conseguir un determinado número de resultados favorables (por
primera vez). Por tanto, es muy útil para aquellos muestreos que se realicen de
esta forma. . Si el número de resultados favorables buscados fuera 1, estaríamos
en el caso de la distribución geométrica. También se implica la existencia de una
dicotomía de posibles resultados en cada prueba y la independencia de cada
prueba o ensayo, o la sustitución de los individuos muestreados.

Proceso experimental del que se puede derivar

Esta distribución o modelo se puede derivar de un proceso puramente
experimental o de Bernoulli en el que se cumplen las siguientes condiciones

· El proceso consiste en un número indefinido de pruebas separadas o separables.

El proceso terminará cuando se obtenga un cierto número de resultados
favorables K

Cada prueba puede dar dos resultados posibles mutuamente excluyentes A y no A

· La probabilidad de obtener un resultado A en cada una de las pruebas es p

donde la probabilidad de no A es q . Lo que nos lleva a p+q=1

· Las probabilidades pyq son constantes en todas las pruebas. Todas las pruebas
son independientes. Si se trata de un experimento de extracción, se realizará con
la devolución del individuo extraído, salvo que se trate de una población en la que
el número de individuos sea infinito.

· (Derivación de la distribución) Sí, en estas circunstancias aleatorizamos de modo

que la variable aleatoria x sea "el número de intentos necesarios para lograr K
éxitos o resultados A"; entonces la variable aleatoria x seguirá una distribución
binomial negativa con parámetros p y k

DISTRIBUCIÓN UNIFORME (DE V. DISCRETA)

Es una distribución muy simple que asigna probabilidades iguales a un conjunto
finito de puntos en el espacio.

Modela fenómenos en los que tenemos un conjunto de n eventos posibles,

cada uno de los cuales tiene la misma probabilidad de ocurrir. Si aleatorizamos
para que cada uno de estos eventos corresponda a un número natural del 1 al n,
obtendremos una distribución uniforme. Tendremos un único parámetro; no
 Diremos por tanto que

En consecuencia, puede derivarse de un proceso experimental de selección

aleatoria, en el que la característica que consideramos en la selección sólo puede
tomar un conjunto de n valores discretos y donde cualquiera de estos valores
puede obtenerse con igual probabilidad.

Por su carácter elemental, no se trata de una distribución de excesivo interés

práctico.