Universidad Tecnológica de Panamá
Facultad de Ingeniería Industrial
Licenciatura en Ingeniería Industrial
Nombre:
Arleen Pérez
Cédula:
8-909-1512
Grupo:
1II131
Tema:
Parcial # 4
Profesor:
Teresa Hines
Fecha de entrega:
Sábado 21 de noviembre del 2020
Distribución Binomial
Esta distribución aparece de forma natural al realizar repeticiones independientes de un
experimento que tenga respuesta binaria, generalmente clasificada como “éxito” o “fracaso”;
este experimento recibe el nombre de experimento de Bernoulli. Ejemplos de respuesta
binaria pueden ser el hábito de fumar (sí/no), si un paciente hospitalizado desarrolla o no una
infección, o si un artículo de un lote es o no defectuoso. La variable discreta que cuenta el
número de éxitos en n pruebas independientes de ese experimento, cada una de ellas con la
misma probabilidad de “éxito” igual a p, sigue una distribución binomial de parámetros n y
p, que se denota por (Bi(n,p)). Este modelo se aplica a poblaciones finitas de las que se
toman elementos al azar con reemplazo, y también a poblaciones conceptualmente infinitas,
como por ejemplo las piezas que produce una máquina, siempre que el proceso de
producción sea estable (la proporción de piezas defectuosas se mantiene constante a largo
plazo) y sin memoria (el resultado de cada pieza no depende de las anteriores).
Formula de la distribución binomial
La fórmula para calcular la distribución normal es:
Donde:
n = Número de ensayos/experimentos
x = Número de éxitos
p = Probabilidad de éxito
q = Probabilidad de fracaso (1-p)
Es importante resaltar que la expresión entre corchetes no es una expresión matricial, sino que
es un resultado de una combinatoria sin repetición. Este se obtiene con la siguiente formula:
El signo de exclamación en la expresión anterior representa el símbolo de factorial.
Distribución Binomial Negativa
Una generalización obvia de la distribución geométrica aparece si se supone que un
experimento se continúa hasta que un determinado suceso, de probabilidad p, ocurre por r-
ésima vez. La variable aleatoria que proporciona la probabilidad de que se produzcan k
fracasos antes de obtener el r-ésimo éxito sigue una distribución binomial negativa de
parámetros r y p, BN(r,p). La distribución geométrica corresponde al caso particular en que
r= 1. Un ejemplo es el número de lanzamientos fallidos de un dado antes de obtener un 6 en
tres ocasiones, que sigue una BN(3,1/6).
En el caso de que los sucesos ocurran a intervalos regulares de tiempo, esta variable
proporciona el tiempo total hasta que ocurren r éxitos, por lo que también se denomina
“distribución binomial de tiempo de espera”.
La distribución binomial negativa es más adecuada que la de Poisson para modelar, por
ejemplo, el número de accidentes laborales ocurridos en un determinado lapso. La
distribución de Poisson asume que todos los individuos tienen la misma probabilidad de sufrir
un accidente y que ésta permanece constante durante el período de estudio; sin embargo, es
más plausible la hipótesis de que los individuos tienen probabilidades constantes en el tiempo,
pero que varían de unos sujetos a otros
Distribución Geométrica
Supóngase que se efectúa repetidamente un experimento o prueba, que las repeticiones son
independientes y que se está interesado en la ocurrencia o no de un suceso al que se refiere
como “éxito”, siendo la probabilidad de este suceso p. La distribución geométrica permite
calcular la probabilidad de que tenga que realizarse un número k de repeticiones antes de
obtener un éxito por primera vez; esta probabilidad decrece a medida que aumenta k con lo
que la función de masa de probabilidad es siempre decreciente. Así pues, se diferencia de la
distribución binomial en que el número de repeticiones no está predeterminado, sino que es
la variable aleatoria que se mide y, por otra parte, el conjunto de valores posibles de la
variable es ilimitado.
Distribución Hipergeómetrica
La distribución hipergeométrica suele aparecer en procesos muestrales sin reemplazo, en los
que se investiga la presencia o ausencia de cierta característica.
Esta distribución se puede ilustrar del modo siguiente: se tiene una población finita con N
elementos, de los cuales R tienen una determinada característica que se llama “éxito”
(diabetes, obesidad, hábito de fumar, etc.). El número de “éxitos” en una muestra aleatoria
de tamaño n, extraída sin reemplazo de la población, es una variable aleatoria con
distribución hipergeométrica de parámetros N, R y n.
Cuando el tamaño de la población es grande, los muestreos con y sin reemplazo son
equivalentes, por lo que la distribución hipergeométrica se aproxima en tal caso a la
binomial.
Valores:
k: max{0,n-(N-R)}, ..., min{R,n}, donde max{0,n-(N-R)} indica el valor máximo entre 0 y
n- (N-R) y min{R,n} indica el valor mínimo entre R y n.
Parámetros:
N: tamaño de la población, N ≥ 1 entero
R: número de éxitos en la población; 1 ≤ R ≤ N, N entero
n: número de pruebas; 1 ≤ n ≤ N, n entero
Distribución Multinomial
La distribución multinomial es una generalización de la distribución binomial. En este caso,
en un experimento interesa estudiar no la ocurrencia de un único suceso o la de su contrario,
sino la de varios sucesos (tres o más).
La distribución multinomial, M(n, p1,...,pn) proporciona probabilidades de obtener,
en m repeticiones independientes de un experimento, x1 veces el suceso A1, x2 veces el
suceso A2,..., xn veces el suceso An, donde dichos sucesos forman una partición del espacio
muestral, es decir, tal que para y
donde , por tanto, se cumple .
Así, considerando que Xi es el número de veces que se presenta el suceso Ai en
las m repeticiones tenemos que la variable n-dimensional (X1, X2, ..., Xn) sigue
una distribución multinomial de parámetros n, p1, ..., pn y su función de probabilidad es
Distribución Poisson
En general, la distribución de Poisson de parámetro se puede utilizar como una
aproximación de la binomial, Bin(n, p), si el número de pruebas n es grande, pero la
probabilidad de éxito p es pequeña, siendo = np; podemos considerar que la
aproximación Poisson-binomial es “buena” si n 20 y p 0,05 y “muy buena” si n
100 y p 0,01.
La distribución de Poisson también surge cuando un evento o suceso “raro” ocurre
aleatoriamente en el espacio o el tiempo. La variable asociada es el número de ocurrencias del
evento en un intervalo o espacio continuo, por tanto, es una variable aleatoria discreta que
toma valores enteros de 0 en adelante (0, 1, 2,...).
Ecuación que describe la distribución
Gráfico que representa la distribución
Parámetros de la distribución
Ejemplo relevante aplicado a una situación actual en el ámbito de la ingeniería industrial
