Trabajo Estadistica Iii Corte
Trabajo Estadistica Iii Corte
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
2.1. Características
2.2. Función de probabilidad
2.3. Valor esperado de la variable aleatoria relacionada
2.4. Varianza de la variable aleatoria relacionada
2.5. Ejemplo(s) aplicado(s) donde se haga uso de la distribución hipergeométrica, para
realizar el cálculo de probabilidades.
3. Distribución de Poisson
3.1. Características
3.2. Función de probabilidad
3.3. Valor esperado de la variable aleatoria relacionada
3.4. Varianza de la variable aleatoria relacionada
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)
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
2.1
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.