Trabajo Estadistica Iii Corte

FUNDACIÓN UNIVERSITARIA LOS LIBERTADORES
ESTADISTICA Y PROBABILIDAD
ANDRÉS FELIPE SILGADO CONTRERAS
TRABAJO
CONSULTAR:
1. Distribución Binomial
1.1. Características
1.2. Función de probabilidad
1.3. Valor esperado de la variable aleatoria relacionada
1.4. Varianza de la variable aleatoria relacionada
1.5. Ejemplo(s) aplicado(s) donde se haga uso de la distribución binomial, para realizar el
cálculo de probabilidades.
2. Distribución Hipergeométrica
2.5. Ejemplo(s) aplicado(s) donde se haga uso de la distribución hipergeométrica, para
realizar el cálculo de probabilidades.
3. Distribución de Poisson
3.5. Ejemplo(s) aplicado(s) donde se haga uso de la distribución de Poisson, para realizar
el cálculo de probabilidades.
SOLUCIÓN
1. DISTRIBUCIÓN BINOMIAL: nos habla de los posibles resultados que pueden darse
por realizar unos experimentos que, constan de pruebas repetidas, estas pueden
arrojar un resultado de éxito o de fracaso (RONALD E. WALPOLE, 2012)
1.1. CARACTERISTICAS
Para construir un proceso binomial se necesita lo siguiente:
1) En el experimento sólo hay dos resultados a) EXITO = 1 b) FRACASO = 0
2) A la probabilidad de éxito se le llama “p ”
3) A la de fracaso se le llama”
4) Se cumple que p + q = 1 p + q = 1 (por lo tanto, q = 1 – p)
5) La probabilidad de éxito permanece constante
6) Los eventos son independientes. Por ejemplo: si lanzamos una moneda la segunda
vez no importa lo que pasó antes.
7) El experimento se realiza “n” veces
8) Lo que se desea es conocer la probabilidad de “éxito”, P(x), en los “n” intentos. (Nota:
éxito no significa que sea bueno, sólo significa que ocurra el evento). (RODRIGUEZ,
2010)
1.2. VALOR ESPERADO DE LA VARIABLE ALEATORIA RELACIONADA

La variable binomial es una variable aleatoria discreta, sólo puede tomar los valores
0,1,2,3, 4,....., n suponiendo que se han realizado n pruebas.
La variable se define como X~ "nº de veces que ocurre el suceso A en n experimentos”,
y viene determinada por dos parámetros: • n = tamaño muestral, número de
experimentos realizados.
• p = P(A) = probabilidad de que tenga lugar el suceso A. En consecuencia, la
distribución Binomial se suele representar por B (n,p) siendo n y p los parámetros
característicos de dicha distribución.
El cálculo de la probabilidad de la distribución binomial requiere la utilización de los

números combinatorios, y aunque existe una tabla que proporciona los valores de
probabilidad para diferentes valores de n y p, a veces el proceso se hace bastante
tedioso, especialmente cuando es necesario calcular probabilidades acumuladas. Por
ejemplo, p(X ≥ 3) = 1 − p(X)
1.3. VARIANZA DE LA VARIABLE ALEATORIA RELACIONADA
Esperanza y varianza de una variable aleatoria binomial: Sea X ~ Bi (n,p), E(X ) = np y
V (X ) = np(1− p)
1.4. EJEMPLO(S) APLICADO(S) DONDE SE HAGA USO DE LA DISTRIBUCIÓN

BINOMIAL, PARA REALIZAR EL CÁLCULO DE PROBABILIDADES: La probabilidad
de que un artículo producido por una fábrica sea defectuoso es p = 0.02. Se envió un
cargamento de 10.000 artículos a unos almacenes. Hallar el número esperado de
artículos defectuosos, la varianza y la desviación típica.
La probabilidad de que un artículo producido por una fábrica sea defectuoso es p =
0.02.
Se envió un cargamento de 10.000 artículos a unos almacenes.
Hallar el número esperado de artículos defectuosos, la varianza y la desviación típica.
2. DISTRIBUCIÓN HIPERGEOMÉTRICA:
Esta distribución aparece en procesos muestrales sin remplazo, en los que se investiga la
presencia o ausencia ha de cierta característica, también en esta investigación se encontró
que Los tipos de aplicaciones de la distribución hipergeométrica son muy similares a los de
la distribución binomial. La distribución hipergeométrica se presenta en procesos
muestrales sin reemplazo en lo que se investiga la presencia o ausencia de cierta
característica. Por ejemplo, en un procedimiento de control de calidad en una empresa
farmacéutica, durante el cual se extraen muestras de cápsulas fabricadas y se someten a
análisis para determinar su composición. Durante las pruebas, las cápsulas son destruidas
y no pueden ser devueltas al lote del que provienen. En esta situación, la variable que
cuenta el número de cápsulas que no cumplen con los criterios de calidad establecidos
sigue una distribución hipergeométrica. Por tanto, esta distribución es equivalente a la
binomial, pero cuando el muestreo se hace sin reemplazo.
Aplicaciones: control de calidad y aceptación de muestras.
Función de cuantía: Sea una población de tamaño N dividida en dos subpoblaciones
disjuntas de tamaños k y N -k (los que poseen la característica de interés y los que no).
Llamemos p a la proporción de elementos de la población que poseen la característica
(p=k/N). Se selecciona una muestra aleatoria sin reemplazamiento de tamaño n, con n≤ N
X=”número de elementos con la característica de interés en una muestra de tamaño n
extraída de una población de tamaño N” La función de cuantía viene dada por: experimento
hipergeométrico; es decir, aquel que posee las siguientes dos propiedades: 1. De un lote
de N artículos se selecciona una muestra aleatoria de tamaño n sin reemplazo. 2. k de los
N artículos se pueden clasificar como éxitos y N – k se clasifican como fracasos.
Propiedades del modelo Hipergeométrico
1) Esperanza: E(X) = n ´ N1/N

2) Varianza: V(X) = (n ´ N1 ´ N2 (N − n))/(N2 ´ (N − 1))
2.1
Características de la distribución hipergeométrica:
𝑁−𝑛
La varianza del modelo hipergeométrico es menor que la del binomial ya que el factor 𝑁 − 1es
menor que la unidad. Este factor recibe el nombre de factor de corrección en muestreo con
poblaciones finitas. Representa la reducción en la varianza por muestrear sin reposición en
poblaciones finitas.
Como este factor tiende a 1 cuando N tiende a infinito, se tiene que, para N suficientemente
grande comparado con n, ambas distribuciones, la binomial y la hipergeométrica, tienden a
hacerse idénticas por lo que, en ese caso, es poco relevante que la muestra de tamaño n
𝑛
sea con reposición o sin reposición. En la práctica se toma como límite n < 0,1 N ⇒𝑁 < 0,1.
EJEMPLO
Un fabricante de automóviles compra los motores a una compañía donde se fabrican bajo
estrictas especificaciones. El fabricante recibe un lote de 40 motores. Su plan para aceptar
el lote consiste en seleccionar 8, de manera aleatoria y someterlos a prueba. Si encuentra
que ninguno de los motores presenta serios defectos, el fabricante acepta el lote, de otra
forma lo rechaza. Si el lote contiene dos motores con serios defectos ¿Cuál es la
probabilidad de que sea aceptado?
𝑋 = "𝑁°DE MOTORES DEFECTUOSOS CON 𝑛 = 8, 𝑁 = 40 𝑦 𝑁𝑝 = 2"
El muestreo es sin reposición (no tiene sentido lo contrario) por lo que:
X∼H (40;2;0,05) con x=0,1,2
3. DISTRIBUCIÓN DE POISSON
La distribución de Poisson, su nombre se debe al matemático Simeón Denis Poisson que
la dio a conocer en 1838 en su trabajo Rechercher sur la probabilité des jugements en
matiéres criminilles etmatieré civil (Investigación sobre la probabilidad de los juicios en
materias criminales y civiles), un trabajo importante en el cual describe la probabilidad como
un acontecimiento fortuito ocurrido en un tiempo o intervalo de espacio bajo las condiciones
que la probabilidad de un acontecimiento ocurre es muy pequeña pero el número de intento
es muy grande, entonces el evento ocurre algunas veces ya había sido introducida por
Abraham De Moivre, como una forma límite de la distribución binomial que surge cuando
se observa un evento después de un número grande de repeticiones.
Las características más sobresalientes de esta distribución son:

1. Describe el número de veces que ocurre un evento en un intervalo específico.
2. La probabilidad de un “éxito” es proporcional a la extensión del intervalo.
3. Los intervalos que no se sobreponen son los independientes.
4. Es una forma límite de la distribución binomial cuando el número total de ensayos
es grande.
5. La probabilidad de éxito es pequeña.
Utilidad de la Distribución Probabilística de Poisson
1. En situaciones donde los sucesos son impredecibles o de ocurrencia aleatoria.
2. Permite determinar la probabilidad de ocurrencia de un suceso con resultado
discreto.
3. Cuando la muestra n es grande y la probabilidad de éxitos es muy pequeña.
4. Cuando la probabilidad del evento que nos interesa se distribuye dentro de un
segmento n dado como: distancia, área, volumen o tiempo definido.
La distribución de Poisson surge cuando un evento raro ocurre aleatoriamente en un
intervalo o un espacio continuo, por lo tanto, es una variable aleatoria discreta que toma
valores enteros de 0 en adelante (0,1,2,…). El concepto de evento raro o poco frecuente
debe ser entendido en el sentido de que la probabilidad de observar k eventos decrece
rápidamente a medida que k aumenta.
Aplicaciones de la Distribución Probabilística de Poisson

Esta distribución tiene muchas aplicaciones en el mundo de los negocios y la economía
como en los problemas de líneas de espera o “colas”, políticas de inventario y control de
calidad. Un restaurante o banco, deben saber algo sobre la distribución de probabilidad de
llegadas de clientes en una hora determinada, ¿podría haber 2 clientes, 20 o 299? ¿Debería
haber 5 empleados listos para servir o en todo caso sería mejor tener 25? Es claro que aquí
hay un conflicto entre el tiempo de espera posible de empleados y el de los clientes. Pagar
a empleados inactivos es costoso, pero perder clientes molestos que no gustan de esperar
también lo es.
Si son muy grandes los inventarios en un departamento de automotrices en relación a los
pedidos, todos los clientes siempre estarán satisfechos por no esperar, pero los costos de
inventario son altos. Cuando los inventarios son muy bajos se perderán muchos clientes
molestos porque no gustan de esperar. Tener un inventario que está demasiado “ocupado”
también es costoso. En cierto sentido, estos ejemplos pueden verse como casos en que
interviene el control de calidad de varios tipos de servicios. Citaremos otras aplicaciones
como: llegada de un cliente al negocio durante una hora, las llamadas telefónicas que se
reciben en un día, número de pacientes que llegan a un consultorio en una hora, número
de llamadas que recibe un servicio de atención de emergencia durante un día, el número
de autos que pasan a través de un cierto punto en una ruta durante un período definido de
tiempo, fugas en un oleoducto, nombres mal escrito en un directorio telefónico, los defectos
en una alfombra, como hallar bacterias en un caldo, los incendios en un bosque
ocasionados por rayos, pensemos en minas, meteoritos o yerbas en un campo,etc.
Para que una variable recuento siga una distribución de Poisson deben cumplirse
varias condiciones:
1. En un intervalo muy pequeño (p. e. de un milisegundo) la probabilidad de que ocurra un
evento es proporcional al tamaño del intervalo.
2. La probabilidad de que ocurran dos o más eventos en un intervalo muy pequeño es tan
reducida que, a efectos prácticos, se puede considerar nula.
3. El número de ocurrencias en un intervalo pequeño no depende de lo que ocurra en
cualquier otro intervalo pequeño que no se solape con aquél.
La distribución de Poisson tiene iguales la media y la varianza. Si la variación de los casos
observados en una población excede a la variación esperada por la Poisson, se está ante
la presencia de un problema conocido como sobredispersión y, en tal caso, la distribución
binomial negativa es más adecuada.
EJEMPLOS:
El director de un hospital analiza los casos diarios de urgencia durante un periodo de varios
años y concluyen que se distribuyen de acuerdo a la ley de Poisson. Los archivos del
hospital revelan que los casos de urgencia promedian tres por día durante ese periodo. Si
el director tiene razón respecto a la distribución de Poisson. Calcular la probabilidad de que:
a. Ocurran exactamente dos casos de urgencia en un día dado.
b. No ocurra un solo caso de urgencia en un día dado.
c. Ocurran tres o cuatro casos de urgencia en un día dado.
SOLUCIÓN
2. El administrador de un banco que debe decidir de cuántas cajeras ha de disponerse

durante las horas de mayor actividad en la tarde del viernes, si los clientes llegan un
promedio de 6 clientes por minuto, mediante la distribución de Poisson. Encontrar las
probabilidades siguientes:
a. Llegan exactamente tres clientes al banco.
b. Ningún cliente llega al banco.
SOLUCIÓN

Trabajo Estadistica Iii Corte

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Trabajo Estadistica Iii Corte

Cargado por

Copyright:

Formatos disponibles

FUNDACIÓN UNIVERSITARIA LOS LIBERTADORES

1.2. VALOR ESPERADO DE LA VARIABLE ALEATORIA RELACIONADA

El cálculo de la probabilidad de la distribución binomial requiere la utilización de los

1.4. EJEMPLO(S) APLICADO(S) DONDE SE HAGA USO DE LA DISTRIBUCIÓN

1) Esperanza: E(X) = n ´ N1/N

Características de la distribución hipergeométrica:

Las características más sobresalientes de esta distribución son:

Aplicaciones de la Distribución Probabilística de Poisson

2. El administrador de un banco que debe decidir de cuántas cajeras ha de disponerse

También podría gustarte