MATERIA: estadística administrativa.

TITULO: unidad 3. tipos de distribuciones variables

aleatorias discretas y continuas

Equipo:
Barbosa Arizpe teresa de Jesús.
Campos nava Sandra.
Carmona García Gabriela.
Coyote villaba Jesús Eduardo.
López Andrés Víctor hugo.
Plata de la rosa dulce abril.

PROFESOR: Carlos Gutiérrez reynaga.

Grupo: 4c11.
3.1 DISTRIBUCIÓN BINOMIAL

La distribución binomial de es una distribución discreta de probabilidad que tiene

muchas aplicaciones. Se relaciona con un experimento de etapas múltiples que
llamamos binomial.

La variable aleatoria X que denota el número de éxitos en n ensayos de Bernoulli

tiene una distribución binomial dada por px, donde:

px=nxpx1-pn-x x=0, 1, 2…..,n=0

Propiedades de un experimento binomial

1. El experimento consiste en una sucesión de n intentos o ensayos

idénticos.
2. En cada intento o ensayo son posibles dos resultados. A uno lo
llamaremos éxito y a otro fracaso.
3. La probabilidad de un éxito, representada por p, no cambia de un intento o
ensayo a otro. En consecuencia, la probabilidad de un fracaso,
representada por 1-p, no cambia de un intento a otro.
4. Los intentos o ensayos son independientes.

Media, varianza y desviación estándar de la distribución binomial

La media de la distribución binomial puede determinarse como

EX=x=0nx* n!x!n-x! pxqn-x

=npx=1n n-1!y!n-1-y! pyqn-1-y

Y dejando y=x-1

EX=npY=0n-1 n-1!y!n-1-y! pyqn-1-y

Por lo que

EX=np

Al emplear un enfoque similar encontramos la varianza como

VX=x=0n n!x!n-x! pxqn-x-np2

=nn-1p2x=0n-2 n-2!y!n-2-y! pyqn-2-y+np-np2
De manera que

VX=npq

Un enfoque más fácil para encontrar la media y la varianza es considerar X como

una suma de n variables aleatorias independientes, cada una con media p y
varianza pq, por lo tanto que X=X1+ X2+...+Xn, además

EX=p+p+...+p=np

VX=pq+pq+...+pq=npq

La desviación estándar se obtiene:

σ=npq

Refirámonos al caso de arrojar 3 monedas, n = 3 y p = ½ obtenemos:

σ=npq= 31212= 34=0.75=0.87

Ejemplo 1: Una distribución binomial con n=3. Los parámetros de la distribución

binomial son n y p, donde n es un entero positivo, y 0 ≤ p ≤ 1. Una descripción
simple se describe a continuación. Sea

px=P"x éxitos en n ensayos"

La probabilidad del resultado particular en y con Ss para los primeros x ensayos y

Fs para los últimos n-x ensayos es

PxSSS…SSn-xFF…FF= pxqn-x

(Donde q= 1-p) debido a la independencia de los ensayos. Hay nx=n!x!n-x!

Resultados que tienen exactamente x Ss y n-x Fs; por consiguientes,

px=nxpx1-pn-x x=0, 1, 2…..,n=0 en otro caso

Puestos que q=1-p, esta ultima distribución es la binomial.

Ejemplo 2: Si la probabilidad de que cualquier elector registrado (seleccionado al

azar de las listas oficiales) vote en una elección determinada es 0.70 ¿Cuál es la
probabilidad de que 2 de 5 electores registrados voten en la elección?
Datos:
x=2 n=5 52=10

f2=52(0.70)2(1-0.70)5-2
=10(0.70)2(0.30)3=0.132

Grafica

Histograma de la distribución binomial con n=8 y p=2

3.2 DISTRIBUCIÓN DE POISSON

Describiremos una variable aleatoria discreta que se usa con frecuencia para
estimar la cantidad de sucesos u ocurrencias en determinado intervalo de tiempo o
espacio. Por ejemplo, la variable aleatoria de interés podría ser la cantidad de
llegadas a un autobaño en una hora, la cantidad de reparaciones que necesitan 10
millas de carretera, o la cantidad de fugas en 100 millas de oleoducto. Si se
satisfacen las dos propiedades siguientes, la cantidad de ocurrencias es una
variable aleatoria que se describe con la función de probabilidad de Poisson.

Propiedades de un experimento de poisson

1. La probabilidad de una ocurrencia es igual en dos intervalos cualesquiera

de igual longitud.
2. La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la
ocurrencia o no ocurrencia en cualquier otro intervalo.

Media, Varianza y desviación estándar de la distribución de Poisson

La media de la distribución Poisson es c, lo mismo que su varianza, como se verá

enseguida.

EX=X=0∞xe-c cxx!=x=1∞e-c cx(x-1)

=ce-c 1+c1!+c22!+…

=ce-c∙ec

=c.
De modo similar,

EX2=X=0∞x2 ∙ e-c cxx!=c2+ c,

Por lo que

VX=EX2-E(X)²

=c,
La función generatriz de momentos es:

MXt= ec(et-1)

Desviación estándar=Número de veces que acurre el evento =n

Ejemplo 1: Suponga que una comerciante al menudeo determina que el número

de pedidos de cierto aparato doméstico en un periodo particular tiene una
distribución de Poisson con parámetro c. A ella le gustaría determinar el nivel de
existencias K para el principio del periodo, de manera que haya una probabilidad
de al menos 0.95 de surtir a todos los clientes que pidan el aparato durante el
mismo, pues no desea rechazar pedidos ni devolver a surtir del almacén durante
ese periodo. Si X representa el número de pedidos, la comerciante desea
determinar K de forma que:

P(X≤K)≥0.95

P(X>K)≤0.05,

Por lo que

X=K+1∞e-c cx/x!≤0.05,

La solución puede determinarse directamente de las tablas de la distribución de

Poisson y es, obviamente, una función de c.

Ejemplo 2: Se sabe que el 2% de los libros que se encuadernan en un taller

tienen una encuadernación defectuosa. Use la aproximación de Poisson para la
distribución binomial para encontrar la probabilidad de que 5 de 400 libros
encuadernados en este taller tengan una encuadernación defectuosa.
Solución:
Datos
x=5, np=4000.20= ∴ e-8=0.00034

f5=85∙e-85!= 32,7680.00034120=0.093

La distribución de Poisson tiene muchas aplicaciones importantes y no se

relacionan en forma directa con la distribución binomial. En este caso, np se
sustituye por λ y calculamos la probabilidad de tener x triunfos por medio de la
formula.
fx= λx∙e-1x!
Para x = 0, 1, 2, 3…
Ejemplo 3: Si un banco recibe en promedio λ=6 cheques sin fondos por día.
¿Cuál es la probabilidad de que reciba cuatro cheques sin fondos en un día
determinado?

Solución:

Datos
λ=6, x=4
f4=64∙e-64!= 1,2960.002524=0.135

Grafica

Grafica de distribución de poisson

3.3 DISTRIBUCIÓN HIPERGEOMÉTRICA

La distribución hipergeométrica es una forma particular de la distribución binomial;

en ella, los resultados de los procesos no pueden presentarse más de una vez,
esto es, muestreo de los elementos de la población se realiza sin reemplazo.
Debido a lo particular de su planteamiento, esta distribución tiene poco valor
práctico, aunque es muy adecuada para calcular.

Supóngase que existe cierta población infinita con N artículos. Cierto número
DD≤N De los artículos entra en categoría de interés. La categoría o clase
particular dependerá, desde luego, de la situación considerada. Podrían ser
defectos (contra no defectos) en el caso de un lote de producción, o personas con
ojos azules (contra ojos no azules) en un salón de clases con N estudiantes. Se
selecciona una muestra aleatoria de tamaño n sin reemplazo, y la variable
aleatoria de interés, X, es el número de artículos en la muestra que pertenece a la
clase de interés. La distribución de X es:

px=DxN-Dn-xNn

x=0, 1 ,2,…,minn,D=0

Propiedades de la distribución hipergeométrica

En general, nos interesa la probabilidad de seleccionar X éxito de los K artículos

considerados como éxito y n-x fracasos de los N-K artículos que se consideran
fracasos cuando se selecciona una muestra aleatoria de tamaño n de N artículos.
Esto se conoce como experimento hipergeométrico; es decir, uno que posee las
siguientes propiedades:

1. Se selecciona sin reemplazo una muestra aleatoria de tamaño n de N

artículos.
2. K de los N artículos se pueden clasificar como éxitos y N-K se clasifican
como fracasos.

El número X de éxito de un experimento hipergeométrico se denomina variable

aleatoria hipergeométrica. En consecuencia, la distribución de probabilidad de la
variable hipergeométrica se llama distribución hipergeométrica, y sus valores se
denotan como h(x; N, n, k), debido a que dependen del numero de éxito K en el
conjunto N del que seleccionamos n artículos.

Media, varianza y desviación estándar de la distribución hipergeométrica

La media y la varianza de la distribución hipergeométrica son:

EX=n*DN

VX=n*DN*1- DN*N-nN-1

Se presenta tablas extensas de la distribución en Lieberman y Owen.

Desviación estándar =nTN *1-TN *N-nN-1 =npq *N-nN-1

En las cuales,

n = Es el número de elementos de la muestra

T = Es el número total de éxito en la población
N = Es el número de elementos de la población
p=T/N = Es la proporción de éxito en la población
Q=1-P = Es la proporción de fracasos en la población

Ejemplo 1: En un departamento de inspección de envíos, se reciben en forma

periódicas lotes de ejes de bombas. Los lotes contienen 100 unidades y el
siguiente plan de muestreo de aceptación se utiliza. Se selecciona una muestra
aleatoria de 10 unidades sin reemplazo. El lote se acepta si la muestra no tiene
más de un artículo defectuoso. Supóngase que se recibe un lote que es ‘p (100)
por cierto defectuosos. ¿Cuál es la probabilidad de que sea aceptado?

P (lote aceptado) = PX≤1= x=01100p'x1001-p'10-x10010

= 100p'01001-p'10+100p'11001-p'910010
Es evidente que la probabilidad de aceptar el lote es una función de la calidad del
lote, p’.

0 t t+∆t

El eje del tiempo

Si p'=.05, entonces

Plolte aceptado= 509510+5195910010= .923

Ejemplo 2: Se va a seleccionar al azar a 30 personas de un grupo de 100, en el

cual 20 son mujeres. Determine la media y la desviación estándar de la
distribución de probabilidad del número de mujeres en la selección
Solución
En este caso, n es igual a 30; T es igual a 20; N es 100;p=T/N=20/100=0.2 y q=1-
p=1-.02=0.8; por lo tanto
Media=n*T/N=n*p

=30*20100=30*0.2=6
La media es el valor esperado de éxito en la muestra, es decir, el número
esperado de mujeres en la selección es 6.
La desviación estándar se calcula a continuación.

o=30*20100*1-20100 * 100-10100-1 =1.842

Ejemplo 3: El encargado de una oficina de correos debe enviar 6 de 15 paquetes

a Europa por correo aéreo, pero los revuelve y pone por correo al azar 6 de los
paquetes ¿Cuál es la probabilidad de que solo 3 de los paquetes que se supone
que deben enviar por correo aéreo se envíen por esta clase de correo?

f3= 63∙96-3156= 20∙845,005=0.336

Grafica

Puede observarse que la representación gráfica de una hipergeométrica es

idéntica a la de una binomial con los mismos parámetros restantes n y p, que
utilizamos al hablar de la binomial.
3.4 DISTRIBUCIÓN NORMAL

La distribución normal es en muchos aspectos la piedra angular de la estadística.

Se afirma que una variable aleatoria X tiene una distribución normal con media μ (-
∞<μ<∞) y varianza σ2>0 si tiene la función de densidad.
 fx= 1σ 2π e-1/2x-μ/σ2 -<∞x<∞

Esta distribución se ilustra en forma grafica en la figura anterior. La distribución

normal se emplea de manera tan amplia que a la notación abreviada X~Nμ,σ2
para indicar que la variable aleatoria se distribuye normalmente con media µ y
varianza σ2.

Propiedades de la distribución normal

La distribución normal tiene varias propiedades importantes:

1. f∞∞fxdx=1, necesaria en todas las funciones de densidad.

2. fx≥p para todos x.
3. limx→∞fx=0 limx→-∞fx=0
4. fx+μ=f-x-μ. La densidad es simétrica alrededor de µ.
5. El valor máximo de f están en x=μ,.
6. Los puntos de inflexión de f están en x=μ±σ

Media, varianza y desviación estándar de la distribución normal

La media de la distribución normal puede determinarse con facilidad. Puesto que

EX=-∞∞xσ2π e-(1/2)(x-μ)dx

Si hacemos z=x-μ/σ, obtenemos

EX=-∞∞12π μ+σze-z2/2dz

=μ-∞∞12π e-z2/2dz+σ-∞∞12π e-z2/2dz

Puesto que el integrando de esta primera integral es el de una densidad normal

conμ=0 y σ=0, el valor de la primera integral es uno. La segunda integral vale cero
esto es,

-∞∞12π ze-z2/2dz= 12πe-z2/2.-∞∞=0

Y en consecuencia

EX=μ1+σ0= μ

Para determinar la varianza debemos evaluar

VX=E X-μ2=-∞∞x-μ21σ2π e-(1/2)(x-μ)dx

La desviación estándar se obtienen de la siguiente formula:

σx2 x=-∞∞x-X2 GX,σ xdx=σ2

σ2x=σ2=σ2

Ejemplo: En un proyecto de construcción se ha elaborado una red de actividades

principales para servir como la base para la planificación y la programación. En
una trayectoria crítica hay 16 actividades. Las medias y las varianzas se dan en la
siguiente tabla:

Actividad Media Varianza Actividad Media Varianza

1 2.7 1 9 3.1 1.2
2 3.2 1.3 10 4.2 .8
3 4.6 1 11 3.6 1.6
4 2.1 1.2 12 .5 .2
5 3.6 .8 13 2.1 .6
6 5.2 2.1 14 1.5 .7
7 7.1 1.9 15 1.2 .4
8 1.5 .5 16 2.8 .7

Los tiempos de las actividades pueden considerarse independientes y el tiempo

proyectado es la suma de los tiempos de las actividades en la trayectoria crítica;
esto es, Y=X1+X2 …+X16, donde Y es el tiempo del proyecto y X1 es el tiempo
correspondiente a la actividad iésima. Aunque se desconoce las actividades de Xi,
las distribuciones son de comportamiento moderado a bueno.
Al contratista le gustaría saber (1) el tiempo de terminación esperado, y (2) un
proyecto del tiempo correspondiente a una probabilidad de .90 de tener el
proyecto terminado. Al calcular μY y σY2, obtenemos

μY =49 semanas
σY2=16 semanas

Distribución de tiempos de proyecto.

El tiempo de terminación esperado para el proyecto es en consecuencia de 49

semanas. Al determinar el tiempo y0 tal que la probabilidad de terminar el proyecto
para ese tiempo sea 9.
Podemos calcular:

PY≤ y0= .90

O

Pz≤ y0-494= .90

Por lo que

y0-494=1.282
Y

y0=49-1.2824=54.128 semanas

Grafica

La curva normal es simétrica, ambas mitades son idénticas.

Bibliografía

Probabilidad y estadísticas para ingeniería

Autor: William W. Hines, Douglas C. Montgomery
Editorial; compañía editorial continentas
Páginas consultadas, 146,147, 148

Probabilidad y estadísticas
Autor: Octavio Sánchez
Editorial; McGraw-Hill
Páginas consultadas; 207, 210, 216

Probabilidad y estadísticas para ingenieros

Autor: Walpole Ronald E.
Editorial, Assistant, Mindy Grant
Pagina consultada 126

Estadística para administración y economía vol.1

Autor: David R. Anderson, Dennis J. Sweeney y Thomas A. Williams
Editorial International Thomson Editores
200-210 páginas