You are on page 1of 17

Catedra:

Catedrtico/a:

Instructor:

Grupo Terico: T1

Integrantes:

Medina, Omar

P g i n a 1 | 17

NDICE

CONTENIDO

## DISTRIBUCIN DE POISSON Y PROCESO DE POISSON .................................. 3

PROPIEDADES DEL PROCESO DE POISSON ................................................. 3

FORMULA ........................................................................................................... 4

EJEMPLOS ......................................................................................................... 5

## LA DISTRIBUCIN DE POISSON COMO UNA APROXIMACIN A LA

DISTRIBUCIN BINOMIAL. ............................................................................... 6

## DISTRIBUCIN HIPERGEOMETRICA .................................................................. 6

FORMULA ........................................................................................................... 7

## RELACIN CON LA DISTRIBUCIN BINOMIAL. ............................................. 8

EJEMPLO ............................................................................................................ 8

## DISTRIBUCIN GEOMETRICA ........................................................................... 10

FORMULA ......................................................................................................... 12

EJEMPLO .......................................................................................................... 12

## DISTRIBUCIN UNIFORME ................................................................................ 13

FORMULAS. ...................................................................................................... 14

EJEMPLO .......................................................................................................... 15

BIBLIOGRAFIA. ................................................................................................... 17

P g i n a 2 | 17

## Los experimentos que producen valores numricos de una variable aleatoria X, el

nmero de resultados que ocurren durante un intervalo de tiempo determinado o
en una regin especfica, se denominan experimentos de Poisson. El intervalo
de tiempo puede ser de cualquier duracin, como un minuto, un da, una semana,
un mes o incluso un ao.

## Por ejemplo, un experimento de Poisson podra generar observaciones para la

variable aleatoria X que representa el nmero de llamadas telefnicas por hora
que recibe una oficina, el nmero de das que una escuela permanece cerrada
debido a la nieve durante el invierno o el nmero de juegos suspendidos debido a
la lluvia durante la temporada de bisbol. La regin especfica podra ser un
segmento de recta, un rea, un volumen o quiz una pieza de material. En tales
casos X podra representar el nmero de ratas de campo por acre, el nmero de
bacterias en un cultivo dado o el nmero de errores mecanogrficos por pgina.
Un experimento de Poisson se deriva del proceso de Poisson y tiene las

## 1. El nmero de resultados que ocurren en un intervalo o regin especifica es

independiente del nmero que ocurre en cualquier otro intervalo de tiempo
o regin del espacio disjunto. De esta forma vemos que el proceso de
Poisson no tiene memoria.

## 2. La probabilidad de que ocurra un solo resultado durante un intervalo de

tiempo muy corto o en una regin pequea es proporcional a la longitud
del intervalo o al tamao de la regin, y no depende del nmero de
resultados que ocurren fuera de este intervalo de tiempo o regin.

P g i n a 3 | 17

## 3. La probabilidad de que ocurra ms de un resultado en tal intervalo de

tiempo cort o que caiga en tal regin pequea es insignificante. El numero
X de resultados que ocurren durante un experimento de Poisson se llama
variable aleatoria de Poisson y su distribucin de probabilidad se llama
distribucin de Poisson. El nmero medio de resultados se calcula a
partir de = , donde t es el tiempo, la distancia, el rea o el
volumen especficos de inters. Como las probabilidades dependen de ,
denotaremos la tasa de ocurrencia de los resultados con p(x;). La
derivacin de la frmula para p(x; ), que se basa en las tres propiedades
de un proceso de Poisson que se listaron antes, esta fuera del alcance de
este texto. La siguiente formula se utiliza para calcular probabilidades de
Poisson.

FORMULA

## La distribucin de probabilidad de la variable aleatoria de Poisson X, la cual

representa el nmero de resultados que ocurren en un intervalo de tiempo dado o
regin especficos y se denota con t, es:

()
(, ) = , = 0, 1, 2, ,
!
Donde es el nmero promedio de resultados por unidad de tiempo, distancia,
rea o volumen y e = 2.71828

P g i n a 4 | 17

(, ) = (; )
=0

EJEMPLOS:

1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son
las probabilidades de que reciba, a) cuatro cheques sin fondo en un da
dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?

Solucin:

## a) x = variable que nos define el nmero de cheques sin fondo que

llegan al banco en un da cualquiera = 0, 1, 2, 3, etc, etc.
= 6 cheques sin fondo por da
1 = 2.718

(2.718)6 (6)4
( = 4, = 6) = = 0.13393
4!

## b) x= variable que nos define el nmero de cheques sin fondo que

llegan al banco en dos das consecutivos = 0, 1, 2, 3, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en
dos das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de otra
forma, debe hablar de lo mismo que x.

## (2.718)6 (12)10 (6.1917364)10 (0.000006151)

( = 10, = 12) = = = 0.104953
10! 3628800

P g i n a 5 | 17

## LA DISTRIBUCIN DE POISSON COMO UNA APROXIMACIN A LA

DISTRIBUCIN BINOMIAL.

## Algunas veces, si se desea evitar el tedioso trabajo de calcular las

distribuciones binomiales, se puede usar a cambio la de Poisson, pero
debe cumplir con ciertas condiciones como:

N=>20
p=<0.05

## En los casos en que se satisfacen tales condiciones, podemos sustituir

la media de la distribucin binomial en lugar de la media de la
distribucin de Poisson de modo que la frmula quedara as:

()
( ) =
!

DISTRIBUCIN HIPERGEOMETRICA

## La distribucin hipergeomtrica consiste en observar la forma en que se realiza el

muestreo. Los tipos de aplicaciones de la distribucin hipergeomtrica son muy
similares a los de la distribucin binomial. Nos interesa el clculo de
probabilidades para el nmero de observaciones que caen en una categora
especfica. Sin embargo, la distribucin binomial requiere que los ensayos sean
independientes. Por consiguiente, si se aplica esta distribucin, digamos, tomando

P g i n a 6 | 17

## muestras de un lote de artculos (barajas, lotes de artculos producidos), el

muestreo se debe efectuar reemplazando cada artculo despus de observarlo.
Por otro lado, la distribucin hipergeomtrica no requiere independencia y se basa
en el muestreo que se realiza sin reemplazo.
Las aplicaciones de la distribucin hipergeomtrica se encuentran en muchos
campos, sobre todo en el muestreo de aceptacin, las pruebas electrnicas y los

## La distribucin de probabilidad de la variable aleatoria hipergeomtrica X, el

nmero de xitos en una muestra aleatoria de tamao n que se selecciona de N
artculos, en los que k se denomina xito y N k fracaso, es:

FORMULA

()(

)
(; , , ) = , {0, ( )} {, }
(

)

## El rango de x puede determinarse mediante los tres coeficientes binomiales en la

definicin, donde x y n x no son ms que k y N k; respectivamente; y ambos no
pueden ser menores que 0. Por lo general, cuando tanto k (el nmero de xitos)
como N k (el nmero de fracasos) son mayores que el tamao de la muestra n,
el rango de una variable aleatoria hipergeomtrica ser x = 0, 1,..., n.

P g i n a 7 | 17

## Hay una relacin interesante entre la distribucin hipergeomtrica y la binomial,

como se podr esperar, si n es pequeo comparado con N, la naturaleza de los N

artculos cambia muy poco en cada prueba. As la cantidad juega el papel de

parmetro binomial p. Como consecuencia, la distribucin binomial se puede ver
como una versin de poblacin grande de las distribuciones hipergeomtricas. La
media y la varianza se obtienen de las siguientes formulas:

Media: Varianza:

= = 2 = = (1 )

EJEMPLO:

En una urna o recipiente hay un total de N objetos, entre los cuales hay una
cantidad a de objetos que son defectuosos, si se seleccionan de esta
urna n objetos al azar, y sin reemplazo, cul es la probabilidad de
obtener x objetos defectuosos?

Solucin:

(, ) =

P g i n a 8 | 17

Donde:
p(x, n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

## = Muestras de n objetos en donde hay x que son

defectuosos y n-x buenos

## = = Todas las muestras posibles de seleccionar de n objetos tomadas

de entre N objetos en total = espacio muestral

## Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son

defectuosos, si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2
sean defectuosos?

Solucin:

N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra

Donde:

P g i n a 9 | 17

seleccionaron, con lo que se demuestra que las probabilidades no son
constantes

## Formas o maneras de obtener 2 objetos defectuosos entre los 4

seleccionados = muestras de 4 objetos entre los que 2 son defectuosos

son constantes.

## Luego la probabilidad de obtener 2 objetos defectuosos entre los 4

DISTRIBUCIN GEOMETRICA

## La distribucin geomtrica es un modelo adecuado para aquellos procesos en los

que se repiten pruebas hasta la consecucin del xito a resultado deseado y tiene
interesantes aplicaciones en los muestreos realizados de esta manera. Tambin

P g i n a 10 | 17

## implica la existencia de una dicotoma de posibles resultados y la independencia

de las pruebas entre s.

## Esta distribucin se puede hacer derivar de un proceso experimental puro o de

Bernoulli en el que tengamos las siguientes caractersticas:

## El proceso consta de un nmero no definido de pruebas o experimentos

separados o separables. El proceso concluir cuando se obtenga por

## Cada prueba puede dar dos resultados mutuamente excluyentes : A y no A

obtener un resultado no A es que 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 "extraccin" ste
se llevar a cabo con devolucin del individuo extrado).

## (Derivacin de la distribucin). Si en estas circunstancias aleatorizamos de

forma que tomemos como variable aleatoria X = el nmero de pruebas
necesarias para obtener por primera vez un xito o resultado A, esta
variable se distribuir con una distribucin geomtrica de parmetro p.

P g i n a 11 | 17

FORMULA

## De lo dicho anteriormente, tendremos que la variable X es el nmero de pruebas

necesarias para la consecucin del primer xito. De esta forma la variables
aleatoria toma valores enteros a partir del uno; 1, 2,

## La funcin de cuanta P(x) har corresponder a cada valor de X la probabilidad

de obtener el primer xito precisamente en la X-sima prueba. Esto es, P(X) ser la
la prueba nmero X teniendo en cuenta que todas las pruebas son independientes
y que conocemos sus probabilidades tendremos:

() = 1

EJEMPLO:

## Si una variable aleatoria discreta X definida en un espacio de probabilidad

representa el nmero de repeticiones necesarias de un experimento de Bernoulli
para obtener el primer xito, entonces tiene por funcin de densidad: X-1

P g i n a 12 | 17

( = ) = 1

## X Numero de experimentos hasta que aparece el 1er xito.

q probabilidad de fracaso (1 - p)

Del saln el 60% de los alumnos son hombres, calcular probabilidad de extraer el
1er hombre a la cuarta ocasin que extraemos un alumno.

x=4

p = 0.60

q = 0.40

## ( = 4) = (0.40)41 (0.6) = (0.40)3 (0.6) = 0.0384

DISTRIBUCIN UNIFORME

## La distribucin de probabilidad uniforme es un ejemplo de una distribucin de

resultados posibles del experimento son obtenidos de variables aleatorias
continuas, es decir, de variables cuantitativas que pueden tomar cualquier valor, y
que resultan principalmente del proceso de medicin.

## Ejemplos de variables aleatorias continuas son:

La estatura de un grupo de personas

P g i n a 13 | 17

## El tiempo dedicado a estudiar

FORMULAS.
Es una distribucin en el intervalo [a,b] en la cual las probabilidades son las
mismas para todos los posibles resultados, desde el mnimo de a hasta el mximo
de b. El experimento de lanzar un dado es un ejemplo que cumple la distribucin
uniforme, ya que todos los 6 resultados posibles tienen 1/6 de probabilidad de
ocurrencia.

## La funcin de densidad de una distribucin uniforme (altura de cada rectngulo en

la grfica anterior) es:
1
() = =

Donde:
a = mnimo valor de la distribucin
b = mximo valor de la distribucin
b a = Rango de la distribucin
La media, valor medio esperado o esperanza matemtica de una distribucin
uniforme se
calcula

P g i n a 14 | 17

+
() = =
2

frmula:
( )2
2
=
12
= 2

## La probabilidad de que una observacin caiga entre dos valores se calcula de la

siguiente manera:

2 1
(1 2 ) =

EJEMPLO:

## Un reloj de manecillas se detuvo en un punto que no sabemos. Determine la

probabilidad de que se haya detenido en los primeros 25 minutos luego de sealar
la hora en punto.
Intervalo: [0 60]

1
() =
60 0
1
() =
60

P g i n a 15 | 17

25
1 5
() = (0 25) = =
0 60 12
1 25
(0 25) =
60 0
1
(0 25) =
60
1 1
(0 25) = (25) (0)
60 60
25
(0 25) =
60
5
(0 25) =
12

P g i n a 16 | 17

BIBLIOGRAFIA.

UCA Editores, 2009.

## Walpole, Ronald E., Myers, Raymond H., Myers, Sharon L. Probabilidad

y estadstica para ingenieros 6 . Mxico: PRENTICE-HALL
HISPANOAMERICA S.A, 1999.

## Lind, Douglas A., Marchal, William G., Wathen, Samuel A. Estadstica

aplicada a los negocios y la economa 15 . Mxico: McGraw-
Hill /INTERAMERICANA EDITORES, S.A. DE C.V., 2012.