You are on page 1of 9

Estadística y probabilidad

ALUMNA:
KARINA ERIKA OCAMPO S.

ENSAYO N° 3
 DISTRIBUCIONES DISCRETAS

INTRODUCCIÓN En este capítulo, se presentan nuevos términos, conceptos, se puede decir que se centra en la variable aleatoria, se estudia funciones, y algo muy importante dentro de la estadística, que son las distribuciones. También podemos considerar que al realizar un proceso o caso bajo condiciones determinadas, nos producirá un resultado único o previsible, y lo más importante con el menor porcentaje de error. DESCRIPCIÓN

Variables aleatorias

En un problema aleatorio y a pesar de realizarse el mismo experimento bajo las mismas condiciones determinadas, tiene como resultados posibles un conjunto de alternativas, a este conjunto se denomina variable aleatoria X. Se utilizan letras mayúsculas X, Y, ... para designar variables aleatorias, y las respectivas minúsculas (x, y, ...) para designar valores concretos de las mismas. Las variables pueden ser continuas o discontinuas que también se las denomina discretas. a) Variable Aleatoria Continua Esta puede tomar cualquier valor de un intervalo continuo o dentro de un campo dado. Ejemplo.- Sea el experimento aleatorio consistente en medir la resistencia eléctrica de cada objeto de un conjunto. En este experimento, cada objeto observado da lugar a un número, por lo que se toma como variable aleatoria el conjunto de las medidas de las resistencias de los objetos. En el supuesto un objeto tuviera una resistencia de 6 Ω y otro 7 Ω., no existiría ninguna razón para que otro no hubiera marcado un valor intermedio cualquiera entre los dos anteriores, como 6.5 cm, a esto es a lo que se le denomina una variable aleatoria continua.

b) Variable Aleatoria Discontinua o Discreta

2). entonces p1 + p2 +…+ pn=1. Ejemplo.  Densidades de probabilidad discretas Como ya se dijo anterior mente. La variable aleatoria será: X = (1. Función de densidad o de probabilidad La función de probabilidad f(x) de la variable aleatoria X es la función que asigna a cada valor xi de la variable su correspondiente probabilidad pi  Existiendo condiciones necesarias para que una función sea una densidad discreta. ( ) ∑ ( ) 2. que asumirá la variable aleatoria. esta predicción se puede alcanzar por medio de dos funciones: 1.-En el caso de lanzar una moneda. Como X ha de tomar uno de los valores de este conjunto. Función de distribución acumulativa .Ensayo N° 2 Es la variable que sólo puede tomar ciertos valores dentro de un campo dado. pero es más interesante dentro de la resolución de un caso. se puede determinar los posibles valores. se trata de una variable aleatoria discontinua o discreta. ya que únicamente puede adoptar los valores 1(cara) y 2(sello). predecir cuál va a ser el valor.

x p i x· p i x 2 ·pi . a la función.  Esperanza y Parámetros de una Distribución Para explicar este tema utilizare este ejemplo..distribución de probabilidad de las puntuaciones obtenidas al lanzar un dado. Ejemplo. y con ello la explicación de los conceptos más relevantes del mismo quedaran definidos. En tales casos es necesario acumular los distintos valores de la función de probabilidad hasta el valor deseado. es decir. Se simboliza por F(x).Ensayo N° 2 Cuando en muchas ocasiones no nos interesa tanto conocer la probabilidad de que la variable aleatoria. X tome exactamente un determinado valor xi. asocia a cada valor de la variable aleatoria discreta la probabilidad acumulada hasta ese valor (la probabilidad de que la variable aleatoria tome valores menores o iguales a xi). cuanto la probabilidad de que tome valores menores o iguales que un cierto valor xi.

Se define como la esperanza de la transformación. Si todos los sucesos son de igual probabilidad la esperanza es la media aritmética. Distribución Geométrica .Ensayo N° 2 1 2 3 4 5 6 1 6 La esperanza matemática o valor esperado de una variable aleatoria es la suma del producto de la probabilidad de cada suceso por el valor de dicho suceso. La varianza es una medida de la dispersión de una variable aleatoria X respecto a su esperanza E[X]. esto es: Desviación estándar de una distribución de probabilidad se denotan por la letra griega σ (sigma)   Distribución Geométrica y la función Generadora de Momentos.

mide el número de éxitos en una secuencia de n ensayos independientes de Bernoulli. con una probabilidad fija p de ocurrencia del éxito entre los ensayos. la variable aleatoria binomial X está definida como Donde: P(X) = probabilidad de X éxitos dados los parámetros n y p n = tamaño de la muestra p = probabilidad de éxito 1 – p = probabilidad de fracaso . El valor esperado: Recibe el nombre de función generadora de momentos. Si X es una variable aleatoria discreta Si la variable es continua  Distribución Binominal La distribución binomial es una distribución de probabilidad discreta. La variable geométrica se puede relacionar fácilmente con la variable exponencial. Siguiendo estas premisas.Ensayo N° 2 Representa el número de fracasos hasta que se produce el primer éxito en un experimento de Bernoulli de parámetro p.  Función Generadora de momentos Sea X una variable aleatoria. La variable aleatoria binomial y su distribución están basadas en un experimento que satisface algunas condiciones.

realizados hasta la obtención del k-ésimo éxito es una variable aleatoria que tiene una distribución binomial negativa con parámetros k y θ. independientes entre si. Donde k es el número de ensayos exitosos donde acaba el experimento y θ es la probabilidad de éxito en un ensayo (o experimento). Su función masa de Probabilidad viene dada por: Para Ejemplo . ……. Hallar la probabilidad de que al examinar 50 piezas sólo haya una defectuosa.Ensayo N° 2 X = numero de éxitos en la muestra ( X = 0. 0'007) y debemos calcular la probabilidad p(X=1).  Distribución Binominal Negativa El número de experimentos. 2. 1. n) Su función de probabilidad está dada por: Propiedades características Ejemplo Una máquina fabrica una determinada pieza y se sabe que produce un 7 por 1000 de piezas defectuosas.. Se trata de una distribución binomial de parámetros B(50.

el valor de X debe ser al menos n-B.B. la probabilidad de obtener exactamente x bolas rojas. Entonces.Ensayo N° 2 Si la probabilidad de que un niño expuesto a una enfermedad contagiosa la contraiga es 0. y son independientes del tiempo desde el último evento. de X. La expresión matemática para la distribución de Poisson para obtener X éxitos. B.n) la f. se debe verificar que X " max.40. (f°A. Expresa la probabilidad de un número k de eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa media conocida.B y n.. Supóngase también que se seleccionan al azar sin reemplazo n bolas de la urna y sea X el número de bolas rojas que se obtienen. p.n-B) < x< min (n. se debe verificar que X< min (n.A). para cualquier entero x en el intervalo (1).A). Sea f(x|A. ¿cuál es la probabilidad de que el décimo niño expuesto a la enfermedad sea el tercero en contraerla? Sea X: Número de niños expuestos a una enfermedad contagiosa. Por tanto. entonces se dice que X tiene una distribución hipergeométrica con parámetros A. el valor de X no puede exceder de n ni de A. Max (0.p. Por tanto.B. Puesto que el valor de X no puede ser menor que 0. el valor de X debe ser un entero en el intervalo.  Distribución de Poisson Es una distribución de probabilidad discreta.Supongamos que una urna contiene A bolas rojas y B azules.n) = 0 para los restantes valores de x.  Distribución Hipergeométrica Con un ejemplo llegare a la definición de esta distribución . (0. Su utilidad en el área de la salud es muy amplia. I una variable aleatoria x tiene una distribución discreta con esta f. Sea f(x|A. n) = _____ Además. Lógicamente. dado que se .n-B). Puesto que el número de bolas azules n-X que se obtienen no puede exceder de B.

e = constante matemática.Ensayo N° 2 = esperanza del número de éxitos. de tal manera que cuanto menores son estos dos parámetros más agrupados se encuentran los valores de la distribución entorno a los valores centrales. para valores grandes de la varianza o la desviación típica los datos de la distribución se encuentran muy dispersos. con valor aproximado 2. obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas.  Tanto la varianza como la desviación típica son medidas de dispersión. BIBLIOGRAFÍA .  La variable aleatoria Y tiene una distribución Binomial.711828 X = número de éxitos por unidad Ejemplo Si 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa. Por contra. entonces. con parámetros y  El interés por sustituir la distribución Binomial por una distribución de Poisson se debe a que esta ultima depende únicamente p. se puede decir que son muy importantes en cualquier rama en la que se este desarrollado.  Si dos variables aleatorias tienen la misma función generatriz de momentos. Su media y su varianza son: CONCLUSIONES  Con el conocimiento de todos estos conceptos asi como también la aplicación de los mismos. las dos variables tienen también la misma distribución de probabilidad.

wikipedia.iddeo. ISBN 9788420683805. 1ª edición. Fundamentos de Estadística. Daniel . Alianza Editorial.org www.htm www. http://personal5.es/ztt/Tem/t19_distribucion_binomial.(2008).Ensayo N° 2 o o o o Peña Sánchez de Rivera.EstadisticaFacil. 688. págs.com .