DISTRIBUCIONES DE

FRECUENCIAS
Integrantes del grupo:
 Brenda Guzmán Pineda
 Carla Mendoza Ocampo
 Giovanna Quilla Bacarreza
 Tatiana Mamani Quispe
 DISTRIBUCIÓN BINOMIAL NEGATIVA

• La distribución binomial negativa es una distribución de probabilidad

discreta que incluye a la distribución pascal y es una ampliación de la
distribución geométrica.
• Se caracteriza por estar definida la variable aleatoria como un numero
de ensayos hasta obtener el K-esimo éxito donde los ensayos son
independientes .
• Formula:
P(x=x) =(x-1/r-1) Pr * qx-r
X: r, r+1, r+2…….
q=1-p
Donde:
X:no de ensayos hasta obtener el k-esimo éxito
r: número de éxitos deseados
P: probabilidad de éxito
E(x)=r/p
V(x)=(rq/p^2)
• Ejemplo:
• Una persona dispara al blanco y tiene una probabilidad en cada disparo de 0.65 de dar en el
blanco. ¿Cuál es la probabilidad de que necesite a lo menos 6 disparos para dar 3 veces en el
blanco?
X: no disparos hasta que 3 den en el blanco
r = 3 (es el número de éxitos que queremos conseguir)
p= 0.65 (probabilidad que tenemos de dar en el blanco en cada disparo)
x-B.N.(r,p)= B.N.(3, 0.65)
• remplazando:
P(x=x) =(x-1/3-1) *0.653 * (1- 0.65) x-3
P(x=x) = (x-1/2)* 0.653 * 0.35x-3
P(x>=6) = p(x=3) +p(x=4) +p(x=5) +p(x=6)
= (2/2) *0.653 * 0.350 +(3/2) *0.653 * 0.351 +(4/2) * 0.653 0.352 +(5/2) *0.653 * 0.353
P(X>=6) =0.88
LA DISTRIBUCIÓN GEOMÉTRICA O
DE PASCAL

La distribución geométrica es un modelo adecuado para

aquellos procesos en los que se repiten pruebas hasta la
consecución del éxito a resultado deseado y tiene
interesantes aplicaciones en los muestreos realizados de
esta manera. También implica la existencia de una
dicotomía de posibles resultados y la independencia de
las pruebas entre sí.
• Esta distribución se puede hacer derivar de un proceso experimental puro o de
Bernouilli en el que tengamos las siguientes características
• · El proceso consta de un número no definido de pruebas o experimentos
separados o separables. El proceso concluirá cuando se obtenga por primera
vez el resultado deseado (éxito).
• · Cada prueba puede dar dos resultados mutuamente excluyentes : A y no A
• · La probabilidad de obtener un resultado A en cada prueba es p y la de obtener
un resultado no A es q
siendo (p + q = 1).
• Las probabilidades p y q son constantes en todas las pruebas ,por tanto , las pruebas
,son independientes (si se trata de un proceso de "extracción" éste se llevará a , cabo
con devolución del individuo extraído) .
 Deducción de la función de cuantía:

Un resultado cualquiera de la experiencia se puede escribir como:

A1  A2  .....  Ax  Ax 1

Esta secuencia que ha habido x fracasos antes del primer éxito

Al cumplirse las dos hipótesis iniciales sabemos que:

P ( A1  A2  .....  A x  Ax 1 )  P ( A1 ) P ( A2 )...P ( A x ) P ( Ax 1 )
 (1  p) x . p
• luego la función de cuantía quedaría

• Un ejemplo de este modelo podría ser la experiencia consistente en lanzar

sucesivamente un dado regular hasta que aparezca el número 6. Si definimos la
variable aleatoria X como el número de lanzamientos de un dado regular hasta que
aparezca un 6, queda claro que X sigue una distribución geométrica de
parámetro p = 1/6.
• Propiedades del modelo Geométrico o de Pascal
• 1) Esperanza: E(X) = (1 − p)/p
• 2) Varianza: V(X) = (1 − p)/p2
DISTRIBUCIÓN DE POISSON

LLAMADA ASÍ EN HONOR A SIMEÓN-DENIS POISSON, QUIEN LA DESCRIBIÓ POR PRIMERA

VEZ A FINALES DEL SIGLO XIX.
LA DISTRIBUCIÓN DE POISSON ES UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA QUE
EXPRESA, A PARTIR DE UNA FRECUENCIA DE OCURRENCIA MEDIA Λ, LA PROBABILIDAD
QUE OCURRA UN DETERMINADO NÚMERO DE EVENTOS DURANTE UN INTERVALO DE
TIEMPO DADO O UNA REGIÓN ESPECÍFICA.

SEA UNA VARIABLE ALEATORIA QUE REPRESENTA EL NÚMERO DE EVENTOS

ALEATORIOS INDEPENDIENTES QUE OCURREN A UNA RAPIDEZ CONSTANTE SOBRE EL
TIEMPO O EL ESPACIO. SE DICE ENTONCES QUE LA VARIABLE ALEATORIA TIENE UNA
DISTRIBUCIÓN DE POISSON CON FUNCIÓN DE PROBABILIDAD.
 PROPIEDADES DE LA DISTRIBUCIÓN DE POISSON
LA DISTRIBUCIÓN DE POISSON DESEMPEÑA UN PAPEL IMPORTANTE, POR DERECHO
PROPIO, COMO UN MODELO PROBABILÍSTICO APROPIADO PARA UN GRAN NÚMERO
DE FENÓMENOS ALEATORIOS. LAS CARACTERÍSTICAS MÁS SOBRESALIENTES DE
ESTA DISTRIBUCIÓN SON:

• LA DISTRIBUCIÓN DE POISSON TIENE LA PARTICULARIDAD DE QUE LA

ESPERANZA Y LA VARIANZA SON IGUALES (LA VERIFICACIÓN Y/O DEMOSTRACIÓN
DE ESTAS FÓRMULAS SE PRESENTAN MÁS ADELANTE EN ESTA SECCIÓN), ESTO ES:
E (X) = Λ Y VAR (X) = Λ

• LOS FACTORES DE FORMA DE LA DISTRIBUCIÓN DE POISSON SON:

1
- COEFICIENTE DE ASIMETRÍA:
𝜆
1
- CURTOSIS RELATIVA: 3 + 𝜆
- CON LO ANTERIOR SE PUEDE OBSERVAR QUE LA DISTRIBUCIÓN DE POISSON ES
LEPTOCÚRTICA CON UN SESGO POSITIVO.
Esperanza y Varianza

• Ya sabemos que los valores de la esperanza (o media) y de la varianza para la distribución de Poisson son
respectivamente; E (X) = λ Var (X) = λ

• Observemos ahora la demostración de estas afirmaciones

• Teorema La esperanza de la distribución de Poisson tiene valor. E (X) = λ

• Demostración Tenemos que:

• Teorema; La varianza de la distribución de Poisson tiene valor Var (X) = λ

• Demostración Por propiedades

 Ejemplo 1. Los buses llegan a cierta terminal de transporte, y se sabe que siguen un proceso de Poisson, con
tasa de 8 buses por hora, de modo que el número de llegadas por un período de horas es una variable de
Poisson con parámetro λ=8t

- ¿Cuál es la probabilidad de que exactamente 5 buses lleguen durante un periodo de una hora? - ¿Cuantos
buses se pueden esperar a que lleguen durante 90 minutos?

Solución La llegada de los buses a la terminal de transporte se distribuye según Poisson. Sea una variable que
representa el número de buses que llegan a la terminal de transporte durante un periodo de tiempo.

λ = 8 buses*tiempo =8*1 = 8

Se pide calcular la probabilidad de que lleguen exactamente 5 buses durante una hora.

Por tanto, existe una probabilidad del 9.1% de que lleguen exactamente 5 buses a la terminal durante una hora.
- Se pide calcular la cantidad de buses que podrían llegar en un tiempo de hora y media.
Ahora bien, por propiedad de la distribución de Poisson, Var (X) = 12. Con lo cual tendríamos que la desviación estándar,
D.E, para este caso es D.E 12 = 3.46
Se espera entonces, que en una hora y media lleguen, en promedio, 12 buses a la terminal de transporte, con una
desviación estándar de 3 buses. Esto quiere decir que, en realidad, se espera que lleguen entre 9 y 15 buses.
DISTRIBUCION UNIFORME O RECTANGULAR

• Decimos que una variable aleatoria “X” posee una distribución uniforme en un
determinado intervalo [a,b] si su función de densidad es la siguiente:
Con esta ley de probabilidad, la probabilidad de que al hacer un
experimento aleatorio, el valor de la variable aleatoria ”X” este
comprendido en cierto subintervalo de [a,b] depende únicamente
de la longitud del mismo, no de su posición dentro del intervalo.
Cometiendo un pequeño abuso en el lenguaje, podemos decir
que en una distribución uniforme la probabilidad de todos los
puntos del soporte es la misma.
Cometiendo un pequeño abuso en el lenguaje, podemos decir
que en una distribución uniforme la probabilidad de todos los
puntos del soporte es la misma.
Teniendo en cuenta que
La función de densidad:

La función de distribución:
La media:

La varianza: