3.
8Función de distribución geográfica
La función de distribución geométrica describe el número de intentos necesarios
hasta obtener el primer éxito en una secuencia de ensayos independientes, donde cada
ensayo tiene una probabilidad constante de éxito. Es decir, es la distribución que
modela el número de intentos fallidos antes de obtener el primer éxito.
Concepto:
En una distribución geométrica, cada ensayo es independiente, y tiene dos posibles
resultados: éxito o fracaso. Si es la probabilidad de éxito en cada ensayo (yla
probabilidad de fracaso), la función de distribución geométrica modela el número de
intentos necesarios hasta que ocurra el primer éxito.
Función de probabilidad:
La función de probabilidad de la distribución geométrica está dada por:
donde:
𝑋 es el número de intentos hasta el primer éxito.
𝑘 es el número de intentos (con 𝑘 ≥1).
𝑝 es la probabilidad de éxito en un solo ensayo.
es la probabilidad de fracasos antes del primer éxito.
Esperanza y Varianza:
• La esperanza (o media) de la distribución geométrica es:
• La varianza de la distribución geométrica es:
Suponga que cada una de sus llamadas a una estación de radio popular tiene una probabilidad de 0.02
de ser respondida. Asumiendo que las llamadas son independientes, ¿cuál es la probabilidad de que le
respondan a la décima llamada? ¿Cuál es el número medio de llamadas para conectar?
X=Numero de llamadas a la estación hasta ser atendido Éxito: llamada respondida
Fracaso: llamada no respondida
3.9Función de distribución uniforme
La distribución uniforme es una distribución de probabilidad en la que todos los
resultados posibles en un intervalo tienen la misma probabilidad de ocurrir. Es
decir, en una distribución uniforme, no hay valores preferidos; cada valor tiene la
misma probabilidad de ser seleccionado.
En una distribución uniforme continua sobre un intervalo, la probabilidad
de que una variable aleatoria tome un valor dentro de ese intervalo es la
misma en cualquier subintervalo de igual longitud dentro de En una
distribución uniforme discreta, la probabilidad de que una variable
aleatoria tome cualquier valor de un conjunto finito de valores es igual.
Distribución uniforme continua:
Para una variable aleatoria que sigue una distribución uniforme continua
en el intervalo , la función de densidad de probabilidad (f) está dada por:
Supón que tienes un intervalo de tiempo de 10 a 20 segundos, y deseas
modelar el tiempo que tarda en completarse un evento. Si el tiempo es
igualmente probable en cualquier punto dentro del intervalo, la variable
aleatoria (el tiempo de finalización) sigue una distribución uniforme en el
intervalo [10, 20]. Su función de densidad es:
La probabilidad de que el tiempo de finalización esté entre 12 y 15 segundos
es simplemente el área bajo la función de densidad en ese intervalo, que
sería
Ejemplo 2: Distribución uniforme discreta Lanzar un dado es un ejemplo
clásico de distribución uniforme discreta. Si el dado es justo, la probabilidad
de que salga cualquier número entre 1 y 6 es la misma, es decir:
En este caso, la variable aleatorio sigue una distribución uniforme discreta
con
Resumen:
En una distribución uniforme continua, cualquier valor en un intervalo [a, b]
tiene la misma probabilidad de ocurrir.
En una distribución uniforme discreta, cualquier valor dentro de un conjunto
finito de valores tiene la misma probabilidad.
Esta distribución es útil cuando se desea modelar situaciones donde todos
los resultados posibles son igualmente probables dentro de un intervalo o
conjunto determinado.
Tema 3.10: Función de distribución exponencial
Definición
La distribución exponencial es una distribución de probabilidad continua
que modela el tiempo entre eventos en un proceso de Poisson, donde los
eventos ocurren de manera independiente y a una tasa constante.
x es la variable aleatoria (el tiempo entre eventos),
λ lambda es la tasa de ocurrencia de los eventos.
Función de distribución acumulada (CDF)
Esperanza y Varianza
Tema 3.11: La distribución normal
Definición
La distribución normal, o distribución de Gauss, es una distribución de
probabilidad continua que describe muchos fenómenos naturales y es
fundamental en la estadística.
Tema3.12 relación entre las
distribuciones binomial y de Poisson
La distribución binomial se puede aproximar a la distribución
normal cuando el número de ensayos es grande.
Distribución binomial
Se usa para trabajar con variables discretas
Se basa en la repetición de ensayos de Bernoulli independientes
Su forma puede ser simétrica o sesgada
Su pico refleja el número más probable de éxitos
Distribución normal
• Se usa para trabajar con variables continuas
• Tiene una curva simétrica en forma de campana
• Es más probable que las ocurrencias estén cerca de la media
• Se describe completamente por sus dos parámetros mu (µ) y sigma
(σ)
Aproximación de binomial a normal
• Se considera una buena aproximación cuando np ≥ 5 y n(1 − p) ≥ 5
• Para valores de p cercanos a .5, el número 5 en el lado derecho de
estas desigualdades puede reducirse un poco
• La posibilidad de usar la distribución normal para describir un
experimento binomial es parte del teorema de Laplace-Moivre
Las distribuciones
binomial y normal están
muy relacionadas entre
sí. En ocasiones realizar
algunas actividades con
la distribución binomial
resulta muy difícil o
laborioso. En esos
casos la distribución
normal con unos
sencillos ajustes, puede
resultarnos muy útil
para los cálculos.
Ejemplos de distribución binomial
Lanzar una moneda al aire
Realizar un examen
Contar el número de pacientes con cáncer de
pulmón ingresados en una unidad hospitalaria
Ejemplos de distribución normal
La distribución normal es simétrica, la media, moda y
mediana coinciden.
La distribución normal estándar tiene una media de 0
y una desviación estándar de 1.
La distribución multinomial es una distribución de probabilidad que se usa
para calcular la probabilidad de que ocurran varios eventos
simultáneamente. Es una generalización de la distribución binomial.
Características
Es una distribución discreta multivariante.
Se usa cuando un experimento aleatorio tiene más de dos resultados posibles.
Se usa cuando se tiene una variable aleatoria discreta con múltiples
categorías.
Se usa cuando se ejecutan múltiples intentos.
Cómo se usa
Se usa para calcular la probabilidad de ocurrencia de múltiples eventos de
manera simultánea. Por ejemplo, en un experimento multinomial, interesa
estudiar la ocurrencia de varios sucesos (tres o más).
Ejemplo
En cada prueba de una distribución multinomial se consideran k sucesos
excluyentes (A1, A2,..., Ak), con probabilidades respectivas (p1, p2…, pk),
siendo p1+p2+... + pk= 1.
Algunos ejemplos de la distribución multinomial son:
Tirar un dado de seis caras
Presentarse a unas elecciones varios partidos políticos
Calcular la probabilidad de que ocurran múltiples eventos de manera simultánea
La distribución multinomial es una generalización de la distribución binomial. En la
distribución multinomial, se consideran k sucesos excluyentes con probabilidades
p1, p2, ..., pk respectivamente.
Para utilizar la distribución multinomial, se debe cumplir con lo siguiente:
La probabilidad de cada resultado debe ser la misma en cada instancia del
experimento
p1 + p2 + ... + pk = 1
X i sigue una distribución binomial con n ensayos y probabilidad de éxito p i
3.13Distribución de poisson
La distribución de Poisson es una distribución de probabilidad que se usa para calcular la
probabilidad de que un evento ocurra un número determinado de veces en un intervalo de tiempo
o espacio.
Características
Es una distribución discreta, es decir, se toma un número finito de valores.
Se especifica con un parámetro llamado lambda (λ), que es el número medio de eventos.
Los eventos ocurren con una frecuencia media conocida.
Los eventos son independientes del tiempo transcurrido desde el último evento.
Aplicaciones
Se utiliza en el control de calidad.
Se utiliza en los estudios de fiabilidad/supervivencia.
Se utiliza en los seguros.
Se utiliza para predecir el número de eventos en un determinado período de tiempo.
Historia
La distribución de Poisson fue creada por el matemático y filósofo francés
Simeón-Denis Poisson en el siglo XVII. La hizo pública en el año 1838
en su trabajo “Investigación sobre la probabilidad de los juicios en
materias criminales y civiles”.
Se dice que una variable aleatoria discreta X tiene una distribución de Poisson con
parámetro μ (μ>0) si la función de probabilidad de X es:
Donde:
f(x) = P(X=x) : probabilidad de x ocurrencias en un intervalo.
μ: valor esperado o media de X.
e: base de los logaritmos naturales. Su valor es 2,71828…
Además, en una distribución de Poisson:
La media de X es igual a μ.
La varianza de X es igual a μ.
La veterinaria de Jorge recibe un promedio de μ = 4 pacientes por día.
Sabiendo que el número de pacientes que llegan en un día sigue una
distribución de Poisson, calcular:
a) la probabilidad de que lleguen 3 pacientes en un día.
Primero definimos nuestra variable aleatoria:
• X = número de pacientes que llegan en un día.
• Además, nos indican que esta variable aleatoria X sigue una
distribución de Poisson, entonces podemos aplicar la fórmula:
Calculamos la probabilidad de que lleguen 3 pacientes en un día, es decir, f(3).
Además, el enunciado nos indica que llegan en promedio 4 pacientes por día,
es decir, μ = 4.
La probabilidad de que lleguen 3 pacientes en un día es de 0,1954 o 19,54 %.
Tema 3.14 La relación de las
distribuciones binomial y de Poisson
¿Qué es la distribución binomial?
Es un modelo de probabilidad para experimentos con dos resultados posibles (éxito o
fracaso) y un número fijo de ensayos independientes, donde la probabilidad de éxito es
constante.
Se usa cuando tienes una cantidad fija de intentos (como lanzar una moneda varias
veces) y cada intento tiene solo dos posibles resultados: éxito o fracaso.
Por ejemplo:
• Lanzar un dado 10 veces y contar cuántas veces sale el número 6.
• Tirar 5 penales y contar cuántos goles metes.
La binomial depende de:
• n = número de intentos.
• p = probabilidad de éxito en cada intento.
¿Qué es la distribución de
EsPoisson?
un modelo de probabilidad para contar eventos raros en un intervalo de
tiempo o espacio, cuando los eventos ocurren de manera independiente y
a una tasa constante.
Se usa cuando cuentas cuántas veces ocurre un evento en un tiempo o
espacio determinado, sin un número fijo de intentos.
Por ejemplo:
Cuántas llamadas recibe una central telefónica en 1 hora.
Cuántos carros pasan por una avenida en 10 minutos.
Poisson depende de λ (lambda), que es el número promedio de eventos en
ese tiempo o espacio.
¿Cómo están relacionadas?
Cuando el número de intentos n es muy grande y la probabilidad de
éxito p es muy pequeña, la binomial se puede aproximar con
Poisson, usando λ=np.
Ejemplo fácil:
• Si en una fábrica cada pieza tiene una probabilidad de 0.001
de ser defectuosa y se revisan 10,000 piezas, esperamos
10,000×0.001=10 defectos.
• Aquí, aunque en teoría es una binomial, se puede usar la
distribución de Poisson con λ = 10 para hacer cálculos más fáciles.
¿Cuándo usar una u otra?
• Usa Binomial si tienes un número fijo de ensayos y cada uno
tiene éxito o fracaso.
• Usa Poisson si cuentas eventos en un tiempo, espacio o
volumen sin un límite fijo de oportunidades.
Por ejemplo, si revisas 10 botellas y quieres saber la probabilidad de encontrar
2 defectuosas, usas binomial.
Si analizas un lote grande de botellas y quieres saber cuántas defectuosas
aparecen en promedio, usas Poisson.
En resumen:
🔹 Binomial → Se usa cuando hay un número fijo de intentos.
🔹 Poisson → Se usa cuando se cuentan eventos en un intervalo de tiempo o
espacio.
🔹 Si n es muy grande y p muy pequeño, la binomial se parece a Poisson.
Tema 3.15 La distribución multinomial
Distribución Multinomial
La distribución multinomial es una generalización de la distribución
binomial cuando hay más de dos posibles resultados en cada ensayo. Se
usa para experimentos donde cada prueba puede dar uno de m resultados
posibles, con probabilidades fijas.
¿En dónde se puede utilizar la distribución multinomial?
La distribución multinomial se utiliza en situaciones donde un
experimento tiene más de dos posibles resultados en cada ensayo y se
repite un número fijo de veces. Aquí algunos ejemplos de su aplicación
1. Juegos de azar
Lanzamiento de dados.
Juegos de cartas.
2. Encuestas y estudios de mercado
Respuestas a encuestas.
Preferencias del consumidor.
3. Genética
Herencia genética.
4. Industria y manufactura
Control de calidad
Clasificación de productos.
5. Biología y ecología
Conteo de especies.
Distribución de alimentos o recursos.
6. Deportes
Resultados de partidos o eventos deportivos.
Función de
Distribución t-
Student
Definición:
La distribución t de Student es una
distribución de probabilidad
continua que describe el
comportamiento de la media de
una muestra cuando la varianza de
la población es desconocida y la
muestra es pequeña. Es
ampliamente utilizada en pruebas
de hipótesis y en la estimación de
intervalos de confianza,
especialmente cuando el tamaño
de la muestra es pequeño (menos
de 30 elementos) y la población
sigue una distribución normal.
Ejemplo de Uso:
Se utiliza para calcular valores de t en una prueba t de hipótesis. Si, por
ejemplo, un investigador tiene una muestra de 10 datos y quiere probar si la
media de su muestra es significativamente diferente de un valor dado, puede
usar la distribución t para determinar la probabilidad de obtener una media tan
extrema como la observada.
3.17Función de Distribución Ji-Cuadrada (χ²)
Definición: La distribución chi-cuadrada χ2 es una distribución de probabilidad continua
que describe la suma de los cuadrados de variables aleatorias normales estándar. Se utiliza
principalmente en pruebas de hipótesis, como la prueba de independencia de variables y la
prueba de bondad de ajuste.
Ejemplo de Uso:
En una prueba de bondad de ajuste, un investigador puede usar la
distribución chi-cuadrada para comparar los resultados observados
con los esperados y determinar si existe una diferencia significativa
entre ellos. Si, por ejemplo, se tienen 5 categorías en una tabla de
contingencia, se calculará el valor χ2 para determinar si la
distribución de las observaciones sigue la distribución esperada.
Ambas distribuciones son esenciales en estadística inferencial,
particularmente en la estimación de parámetros y en la evaluación
de hipótesis.
3.18Función de Distribución F(Fisher)
Definición:
La distribución F de Fisher es una distribución de probabilidad continua
que surge al comparar dos estimaciones de varianza de muestras
independientes tomadas de dos poblaciones normales. Se utiliza
principalmente en el análisis de la varianza (ANOVA) y en pruebas de
hipótesis. La distribución F se define como el cociente de dos variables
aleatorias que siguen distribuciones chi-cuadrado, escaladas por sus
respectivos grados de libertad. Es asimétrica y siempre positiva, ya que
no puede tomar valores negativos.
Ajustes de Distribución de Muestrales
mediante Distribuciones Teóricas
Definición:
Los ajustes de distribuciones muestrales se refieren al uso de distribuciones
teóricas para modelar y analizar la variabilidad de estadísticas de muestra,
como la media o la varianza, a partir de muestras extraídas de una población.
Estas distribuciones son importantes para hacer inferencias estadísticas y
determinar la probabilidad de que ciertos eventos ocurran bajo condiciones
conocidas.
• Distribuciones muestrales: Son distribuciones de una estadística de
muestra (como la media, la varianza, etc.) obtenida de múltiples muestras
aleatorias de una población.
• Distribuciones teóricas: Son distribuciones de probabilidad
matemáticamente derivadas, como la distribución normal, t de Student, chi-
cuadrado, F de Fisher, entre otras, que sirven como modelo para el
comportamiento de las estadísticas muestrales.
Ejemplo
Problema: Imagina que tienes dos
grupos de personas y quieres
saber si sus medias de altura son
significativamente diferentes.
Tomas dos muestras
independientes de cada grupo y
deseas realizar un análisis
utilizando la distribución t de
Student, que es una distribución
teórica que ajusta las diferencias
entre medias muestrales cuando
las varianzas son desconocidas.
