PRESENTACION

TECNOLOGICO NACIONAL DE MEXICO

INSTITUTO TECNOLLOGICO DE CERRO AZUL

ASIGNATURA:
PROB. Y ESTADISTICA EN EL CAMPO PETROLERO

UNIDAD:
2.- DISTRIBUCIONES DE PROBABILIDAD

SUBTEMAS:
2.1 Distribuciones de Probabilidad Discretas

2.1.1 Distribuciones de Probabilidad Binomial

2.1.2 Distribuciones de Probabilidad Poisson

INTEGRANTES:
LUIS ROBERTO CARDENAS MENDEZ

JUAN MANUEL MORALES SANCHEZ

RICARDO ROMAN DEL ANGEL

DOCENTE:
ING. ROSA MARIA DIAZ CASANOVA

PERIODO:
AGOSTO / DICIEMBRE 2017
 INTRODUCCION

Continuando con el estudio de la probabilidad y estadstica, ahora estudiaremos las

distribuciones de probabilidad, las cuales son aplicadas en muchas ramas de la

ingeniera en general.

Para este trabajo vamos a realzar un ajuste de datos a una de las distribuciones de

probabilidad estudiadas, basndonos en los datos obtenidos en el primer trabajo de

estadstica descriptiva, en cual vamos a obtener ms informacin acerca del uso de

los SMS. Como pueden ser los porcentajes o probabilidades acerca del uso de SMS

en la universidad, las personas que utilizan este servicio, las que poseen un plan de

datos activo, etc.

Tenemos que realizar un anlisis del los tipos de datos obtenidos en este trabajo y

escoger, ya sea una o varias distribuciones de probabilidad para realizar la

aplicacin, y obtener las informacin requerida.

Qu es una distribucin discreta?
Una distribucin discreta describe la probabilidad de ocurrencia de cada valor de
una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no negativos.

Con una distribucin de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por
lo tanto, una distribucin de probabilidad discreta suele representarse en forma
tabular.

Ejemplo del nmero de quejas de clientes

Con una distribucin discreta, a diferencia de una distribucin continua, usted puede
calcular la probabilidad de que X sea exactamente igual a algn valor. Por ejemplo,
puede utilizar la distribucin discreta de Poisson para describir el nmero de quejas
de clientes en un da. Supongamos que el nmero promedio de quejas por da es
10 y usted desea saber la probabilidad de recibir 5, 10 y 15 quejas de clientes en un
da.

x P (X = x)

5 0.037833

10 0.12511

15 0.034718
Usted tambin puede visualizar una distribucin discreta en una grfica de
distribucin para ver las probabilidades entre los rangos.

Grfica de distribucin del nmero de quejas de clientes

Las barras sombreadas en este ejemplo representan el nmero de ocurrencias
cuando las quejas diarias de los clientes son 15 o ms. La altura de las barras suma
0.08346; por lo tanto, la probabilidad de que el nmero de llamadas por da sea 15
o ms es 8.35%.

Distribucin Binomial.
Supongamos un experimento aleatorio S y consideremos asociado con l un suceso
A de probabilidad p y sea A* el suceso contrario, cuya probabilidad ser q=1-p. Para
distinguirlos con mayor facilidad, al suceso A lo llamaremos xito, y al suceso A*
fracaso.

Repitamos el experimento en las mismas condiciones n veces y supongamos que:

a) El resultado de cada ensayo es independiente de los resultados anteriores.

b) La probabilidad de A permanece constante y no vara de una prueba a otra..

Todo experimento que tenga esta caractersticas diremos que sigue el modelo de
la distribucin binomial.

A la variable X que expresa el nmero de xitos obtenidos en las n pruebas del

experimento aleatorio la llamaremos variable aleatoria binomial. Representaremos
por B(n, p) a la variable de la distribucin, siendo n y p los parmetros.

Funcin de probabilidad de la distribucin Binomial.

La variable aleatoria que expresa el nmero de xitos en n pruebas, es una variable
aleatoria discreta cuyos valores varan de 0, 1, 2, , n. Y las probabilidades con
que toman dichos valores se calculan de la siguiente

forma:

Media y varianza de la distribucin binomial.

a) Media:

b) Varianza:

En ella hay que observar:

c) Es simtrica si p=q. Si p<q asimetra a la derecha; si p>q, asimetra a la

izquierda. Cuando n la distribucin tiende a ser simtrica (distribucin normal).

d) Los valores de P(X=k) estn tabulados para valores de p comprendidos entre

0 y 0.5. Si p>0.5, hay que tener en cuenta que B(n, k, p) = B(n, n-k, q).

Ajuste.

El problema del ajuste es el de buscar una distribucin binomial que mejor se

adapta a unos datos, es decir, se ha de calcular el valor del parmetro p para el cual
las probabilidades binomiales obtenidas sean las mas cercanas posibles a los datos.
El procedimiento que se sigue es igualar la media de la muestra a la media de la
poblacin, con lo que tenemos:

Con este valor de p se calculan las correspondientes probabilidades y se comprueba

si el ajuste es bueno. Para medir la bondad del ajuste de una manera objetiva
existen mtodos matemticos que se tratarn ms adelante.

Distribucin de Poisson.
Una variable aleatoria X sigue una distribucin de Poisson si puede tomat valores
enteros 0, 1, 2, , n, , con probabilidades:
En esta distribucin hay que observar:

a) Depende de un solo parmetro.

b) Su media, varianza son

c) Es una buena aproximacin de la binomial cuando n grande y p pequeo:

En general si n>50 y p<0.1 n.p<5 la distribucin de Poisson es una buena

aproximacin de la Binomial.

d) La distribucin de Poisson presenta una ligera asimetra hacia la izquierda.

Cuando n tiende hacia infinito tiende a ser simtrica (distribucin normal).

Distribucin Hipergeomtrica.
Consideremos una poblacin de N elementos de dos clases A y A* excluyentes, de
los cuales nA son de la clase A y nA* son de la Clase A*, con nA + nA* = N.

Al tomar un elemento de esta poblacin la probabilidad de que proceda de una u

otra clase es:

Sea ahora el experimento de tomar n elementos consecutivos de una poblacin sin

reemplazamiento. A la variable aleatoria X= nmero de elementos de la clase A
en la muestra de tamao n se le denomina variable hipergeomtrica.
Para hallar su funcin de probabilidad P(X=k) consideremos uno de los sucesos
favorables:

Luego

En ella hay que observar

a) Depende de los parmetros N, n, p

b) Su media y varianza son:

c) Se diferencia de la binomial en que, en aquella las probabilidades son

constantes a lo largo de las pruebas(extracciones con reemplazamiento) mientras
que en la hipergeomtrica, varan de una prueba a otra (extracciones sin
reemplazamiento).

d) Si N es grande respecto de n, las probabilidades varan muy poco de una

prueba a la siguiente, por lo que en estos casos se puede decir que la variable
hipergeomtrica sigue aproximadamente una distribucin binomial, es decir:

Se conviene en sustituirla cuando n/N<0.1

Por otra parte y de manera anloga a la distribucin polinomial, si tenemos una

poblacin con N elementos repartidos en k clases excluyentes A 1, A2, , Ak con
N1 elementos de la clase A1, N2 elementos de la clase A2, , Nk elementos de la
clase Ak siendo N1+N2+ + Nk = N, al tomar consecutivamente n elementos sin
reemplazamiento y llamando Xi = Nmero de elementos que hay de la clase A i en
la muestra de tamao n la variable k-dimensional (X1, X2, , Xk) tiene por funcin
de probabilidad:
 CONCLUCION
Con los grandes avances tecnolgicos hemos ahorrado tiempo para el anlisis
estadstico, sin embargo la comprensin de la lgica que se utiliza para llegar a la
resolucin del mismo es algo que nos ha llevado a este estudio.
Con el desarrollo de este proyecto y gracias a la comprensin de conceptos
entendimos que es una poderosa herramienta estadstica que bien aplicada nos
podr ayudar a facilitar los clculos para la solucin de problemas. Lo cual contina
con el propsito esencial: Ahorro de costos y mejora contina en cualquier mbito
en que nos desarrollemos. Aprendimos que no es limitativa el rea en que nos
desempeemos en nuestro trabajo ya que tanto en Ingeniera como Materiales, en
Recursos Humanos como en un Negocio Propio, en Comercio o en Industria, o bien
por puro pasatiempo en el panorama de la probabilidad estadstica, estas
herramientas sern siempre de gran utilidad.