Distribución binomial, geométrica y binomial

negativa
.
May 3, 2019

Indira Arroyo Barros

Estadistica

Integrantes

Edinson Jose Acuña Fernandez(2014211001), Hader Guardiola

Madrid(2015216055), Fernelis Cogollo(2017213014)

Trabajo de segundo seguimiento: variables discretas .

GRUPO 20
UNIVERSIDAD DEL MAGDALENA,SANTA MARTA
FACULTAD DE INGENIERÍAS
ING. AGRONÓMICA
2019

1
Part I
Resumen
En el presente trabajo se presentan las principales caracterı́sticas de la dis-
tribución binomial, geométrica y negativa, sus aplicaciones y algunos ejemplos
con el fin de identificar y analizar cómo se aplican en la solución de problemas
probabilı́sticos y estadı́sticos, observando el comportamiento de una variable
aleatoria discreta en un cierto número de ensayos o experimentos donde se in-
volucran principalmente en dos resultados, éxito o fracaso, el número de estas
dos posibilidades dependerá entonces de la distribución asociada a esa variable,
por lo que resulta importante saber para conocer las posibilidades más aproxi-
madas que podemos tener de un evento aleatorio con relación a lo que se espera.
La distribución binomial da resultados de acuerdo a las situaciones que se pre-
senten, en términos industriales esto tienen una mayor utilización en empresas
que desean saber el número de éxitos o fracasos que tiene su lı́nea de producto
(si es una empresa de producción) o un servicio (si es una empresa generadora
de servicio) por lo tanto, es una de las distribuciones de probabilidad más útiles
que se emplea en control de calidad, producción, investigaciones, entre otros
usos.

Palabras claves: binomial, geométrica, negativa, estadı́stica, distribución.

Abstract In this paper the main characteristics of the binomial, geometric

and negative distribution are presented, their applications and some examples in
order to identify and analyse how they are applied in the solution of probabilistic
and statistical problems, observing the behavior of a discrete random variable
in a number of trials or experiments where they are mainly involved in two
outcomes, success or failure, the number of these two possibilities will then
depend on the distribution associated with that variable, so it is important
to know the closest possibilities we can have of a random event relative to
what is expected. Binomial distribution gives results according to the situations
presented, in terms of this have a greater use in companies that want to know the
number of successes or failures that has their product line (if it is a production
company) or a service (if it is a service generating company) is therefore one
of the most useful probability distributions used in quality control, production,
research, among other uses.

Keywords: binomial, geometric, negative, statistics, distribution

Part II
Introducción
En este apartado se dará una reseña sobre las distribuciones de proba-
bilidad discretas llamada, binomial negativa y geométrica. Indicando

2
sus caracterı́sticas y ejemplificando su utilidad con sencillas aplica-
ciones, para darnos un panorama de su importancia y consecuente-
mente del estudio de la estadı́stica, rama de las matemáticas que se
encarga de la recolección, análisis e interpretación de sucesos aleato-
rios.

El comportamiento de una variable aleatoria queda descrito por su

distribución discreta de probabilidad sin importar que ésta se repre-
sente gráficamente por un histograma, en forma tabular o por medio
de una fórmula

Con frecuencia, las observaciones que se generan en diferentes ex-

perimentos estadı́sticos tienen el mismo tipo de comportamiento en
términos generales. En consecuencia, las variables aleatorias discretas
que se asocian con estos experimentos, pueden describirse, esencial-
mente; por la misma distribución de probabilidad y por lo tanto se
representan por una sola fórmula. Este trabajo contiene información
de tres tipos de esas distribuciones discretas de probabilidad, que son
la distribución binomial negativa y geométrica interés de manejarlas
para la clase de probabilidad y estadı́stica; y objetivo fundamental en
la realización de este trabajo. Ası́ mismo también el objetivo de este
apartado es abordar el estudio de algunas distribuciones de proba-
bilidad de variables aleatorias discretas, concretamente las siguientes
distribuciones:

Distribución Binomial Negativa Geométrica

La distribución binomial es uno de los modelos matemáticos que más

se utilizan para calcular la probabilidad de éxito de un evento, siem-
pre y cuando la variable a analizar sea discreta. Se relaciona con el
experimento aleatorio de Bernoulli, nombrado ası́ en honor de Jakob
Bernoulli, matemático y cientı́fico suizo.

Utilizamos la distribución binomial en todos los eventos donde sola-

mente hay dos resultados, por ejemplo, la definición del sexo de un
bebé; el que nuestro equipo favorito gane o pierda algún partido; el
que pase o repruebe un examen. Ahı́, sin darnos cuenta, estamos
haciendo uso de este concepto.

Si lo reflexionas detenidamente, su uso es más común de lo que se

piensa. Considera cuántas veces en la vida diaria y en qué momento
utilizas la distribución binomial; verás que son muchas más de las
que te habı́as dado cuenta. En estadı́stica, la distribución binomial
es una distribución de probabilidad discreta que mide el número de
éxitos en una secuencia de n ensayos independientes entre sı́, con
una probabilidad fija p de ocurrencia del éxito entre los ensayos. Un
experimento de Bernoulli se caracteriza por ser dicotómico, esto es,
sólo son posibles dos resultados. A uno de estos se denomina éxito
y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una

3
probabilidad q = 1 - p. En la distribución binomial los anteriores
experimentos se repiten veces, de forma independiente, y se trata de
calcular la probabilidad de un determinado número de éxitos. Para
n = 1, la binomial se convierte, de hecho, en una distribución de
Bernoulli.

Part III
OBJETIVOS
1-Identificar las distribuciones binomiales probabilidad.

2-Utilizar la distribución binomial para obtener las probabilidades

de aquellas situaciones con dos posibles resultados, que se puedan
presentar en la vida diaria, laboral etc.

Part IV
DESARROLLO DEL TEMA
Cuando nos planteamos estudiar estas distribuciones de probabilidad,
lo hacemos partiendo de la base que su estudio nos permitirá simpli-
ficar el tratamiento estadı́stico de muchos fenómenos reales. De esta
manera, si nosotros nos encontramos con un fenómeno real tal y como
puede ser realizar una inversión o no. Este es un fenómeno que tiene
dos posibles valores, invertir, no invertir. Bien, veremos que este tipo
de fenómenos los podemos estudiar como una variable o distribución
de Bernuille. Si nosotros hemos estudiado esta variable tendremos
perfectamente identificados tanto la media como la varianza como su
función de cuantı́a, etc. Es decir, conocemos el comportamiento prob-
abilı́stico de este fenómeno. Si nos ponemos a pensar en fenómenos
económicos reales, veremos que existen muchos que se pueden ajus-
tar a un comportamiento de este tipo. Todos ellos están estudiados
simultáneamente mediante la distribución de Bernuilli o la general-
ización binomial.

Por tanto, cuando estudiamos la distribución binomial, estamos estu-

diando miles de posibles distribuciones.

4
Part V
Historia de las distribuciones
binomiales discretas
1 LA DISTRIBUCIÓN BINOMIAL:
Distribución binomial (n,p) La distribución binomial es una distribución
discreta muy importante que surge en muchas aplicaciones bioes-
tadı́sticas. Fue obtenida por Jakob Bernoulli (1654-1705) y publi-
cada en su obra póstuma Ars Conjectandi en 1713. 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 exper-
imento de Bernoulli. Ejemplos de respuesta binaria pueden ser el
hábito de fumar (sı́/no), si un paciente hospitalizado desarrolla o no
una infección, o si un artı́culo de un lote es o no defectuoso. La
variable discreta que cuenta el número de éxitos en n pruebas in-
dependientes 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 pro-
ceso 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).

Distribución binomial Funciones de probabilidad: Llamamos función

de probabilidad f a la aplicación de E(X) (Espacio Muestral) en el intervalo [0,1]
que verifica:

f(A) = p(A)

Básicamente se trata de estudiar la probabilidad como una función

utilizando para su estudio todas las propiedades de las funciones

Llamamos experiencia aleatoria dicotómica a aquella que sólo puede

tener dos posibles resultados A y A’. Usualmente A recibe el nombre
de éxito, además representaremos como p = p(A) y q = 1-p=p(A’).

A la función de probabilidad de una variable aleatoria X resultado de

contar el número de éxitos al repetir n veces una experiencia aleato-
ria dicotómica con probabilidad de éxito p la llamamos distribución
binomial y la representamos por B (n, p)

5
Para esta distribución se verifica que, la variable X puede tomar los
valores

0, 1, 2, ..., n

y que la variable toma cada uno de estos valores con probabilidad:

P (X = r) = (nCr)pr (1 − p)n − r

EJERCICIOS-1

Si de seis a siete de la tarde se admite que un número de teléfono de

cada cinco está comunicando, ¿cuál es la probabilidad de que, cuando
se marquen 10 números de teléfono elegidos al azar, sólo comuniquen
dos?

B (10, 1/5) p = 1/5q = 4/5

p(x = 2) = (10C2)(1C5)2 .(4/5)8 = 0.3020

EJERCICIO-2

La probabilidad de que un hombre acierte en el blanco es 1/4. Si

dispara 10 veces ¿cuál es la probabilidad de que acierte exactamente
en tres ocasiones? ¿Cuál es la probabilidad de que acierte por lo
menos en una ocasión?

3
B (10, 1/4) p = 1/4q = 4

p(x = 3) = (10C3)(1C4)3 .(3/4)7 = 0.25

EJERCICIO-3

Un agente de seguros vende pólizas a cinco personas de la misma

edad y que disfrutan de buena salud. Según las tablas actuales, la
probabilidad de que una persona en estas condiciones viva 30 años o
más es 2/3. Hállese la probabilidad de que, transcurridos 30 años,
vivan
p(almenosuno) = 1 − (10C0)(1/4)0 .(3/4)1 0 = 0.9437

Las cinco personas B (5, 2/3) p = 2/3 q = 1/3

p(x = 5) = (5C5)(2/3)5 = 0.132

Al menos tres personas

p(x > 3) = p(x = 3)p(x = 4)+p(x = 5) = (5C3)(2/3)3 (1/3)2 +(5C4)(2/3)4 (1/3)+(5C5)(2/3)5 = 0.791

6
Exactamente dos personas

p(x = 2) = (5C2)(2/3)2 (1/3)3 = 0.164

2 Distribución geométrica
El origen de la distribución geométrica comenzó con Jakob Bernoulli
(1654-1705), que escribió Artes Conjectandi (el Arte de la conjetura),
su obra maestra. Aquı́ Bernoulli proporcionó la clave para entender
la distribución geométrica. En un ”ensayo de Bernoulli? A hay un
conjunto de n variables independientes binarias en el que la obser-
vación j es un ”éxito” o ”fracaso”, con la probabilidad de éxito, p,
que es la misma para cada ensayo.

DEFINICIÒN

La distribución geométrica es un modelo adecuado para aquellos pro-

cesos en los que se repiten pruebas hasta la consecución del éxito a
resultado deseado y tiene interesantes aplicaciones en los muestreos
realizados de esta manera

En una serie de ensayos independientes pueden resultar en un éxito

con una probabilidad p constante y en un fracaso con una probabili-
dad de q=1-p, entonces la distribución de probabilidad de la variable
aleatoria x, denota el número de ensayos en el cual ocurre el primer
éxito es:

g (x; p) =pqx-1 P arax = 1, 2, 3, ∝ g (x; p) =pqx P arax = 0, 1, 2, ∝

Si la probabilidad de éxito en cada ensayo es p, entonces la probabil-

idad de que x ensayos sean necesarios para obtener un éxito es:

P (x = x) = (1 − p)x − 1

EJEMPLO 1

En un cierto proceso de manufactura se sabe que, en promedio, 1

de cada 100 piezas está defectuosa ¿Cuál es la probabilidad de que
la quinta pieza inspeccionada sea la primera defectuosa? Solución:
Utilizando la distribución geométrica con x=5 y p=0.01, se tiene:

g(x; p) = pq x − 1

g(5; 0.01) = (0.01)(0.99)4

= 0.0096

Ejemplo 2

7
¿Cuál es la probabilidad de que pibe Valderrama marque por primera
vez en su quinto penalti? ¿Cuál es el numero esperado de penaltis
que necesita para marcar? Sea X el número de penaltis que necesita
para

marcar su primer gol. LuegoX v G(0, 8)

P (X = 5) = 0,2

4 × 0, 8 =, 00128

La esperanza de X es 1/0,8 = 1,2 penaltis.

3 DISTRIBUCIÒN BINOMIAL NEGATIVA

Haciendo a un lado esta binomial abarcamos la negativa, La dis-
tribución binomial negativa aparece en un estudio de Pierre Remond
de Montmort (1678-1719) sobre los juegos de azar en 1714, pero años
antes ya habı́a sido descrita por Blaise Pascal (1623-1662). Más ade-
lante, esta distribución fue propuesta como una alternativa a la dis-
tribución de Poisson para modelar el número de ocurrencias de un
suceso cuando los datos presentan lo que se conoce como variación
extra-Poisson o sobre dispersión

En una serie de ensayos Bernoulli independientes, con probabilidad

constante p de éxito, sea que la variable aleatoria X denote el número
de ensayos hasta que ocurran r éxitos. Entonces X tiene una dis-
tribución binomial negativa con parámetros p y r. Donde r= 1,2,3
?n

caracterı́sticas:

Función de Distribución: P (X) = ((X −1)c(r−1))pr (1−p)r , x = r, r+1

Debido a que se necesitan al menos r ensayos para obtener r éxitos el

rango de X es de r a ?. En el caso especial en que r=1, una variable
aleatoria binomial negativa es una variable aleatoria geométrica.

Dado que sus probabilidades dependen del número de éxitos deseados

y la probabilidad de éxito en un intento dado, se representarán con
la simbologı́a:

b*(x; k, p)

Donde b*(x,k,p)= Significa que x tiene una distribución binomial

negativa con parámetros p y k=1, 2,3,?∝ ((x-1)c(k-1)) el número total
de puntos muéstrales en el experimento que termina en un éxito, son
mutuamente excluyentes.

8
Ejemplos -1

Para tratar a un paciente de una afección de pulmón, han de ser op-

erados en operaciones independientes sus 5 lóbulos pulmonares. La
técnica a utilizar es tal que, si todo va bien, lo que ocurre con prob-
abilidad de 7/11, el lóbulo queda definitivamente sano, pero si no es
ası́ se deberá esperar el tiempo suficiente para intentarlo posterior-
mente de nuevo. Se practicará la cirugı́a hasta que 4 de sus 5 lóbulos
funcionen correctamente. ¿Cuál es el valor de intervenciones que se
espera que deba padecer el paciente? ¿Cuál es la probabilidad de que
se necesiten 10 intervenciones?

Este es un ejemplo claro de experimento aleatorio regido por una

ley binomial negativa, ya que se realizan intervenciones hasta que
se obtengan 4 lóbulos sanos, y éste es el criterio que se utiliza para
detener el proceso. Identificando los parámetros se tiene que si X=
Número de operaciones hasta obtener r=4 con resultado positivo,

p(x = 10) = (9C3).(7/11)4 .(4/11)6 = 0.03185

1
υ= = 44/7 = 6.28
7/11

EJEMPLO 2:

Se sabe que la probabilidad de que un niño expuesto a una enfermedad

contagiosa la contraiga es de 0,4. Calcula la probabilidad de que el
décimo niño estudiado sea el tercero en contraer la enfermedad.

Podemos enfocar el problema como una binomial negativa de parámetros

X = 10, k=3 y p=0,4

p(x = 10) = (9C2) × 0, 43 × 0, 67 = 0, 00645

Part VI
CONCLUSIONES
En una perspectiva como aprendiz de este tema asegurariamos que
el trabajo se explica la distribución binomial negativa a partir de la
relación con la distribución geométrica. Para poder comprender la
distribución binomial negativa debe entenderse que esta es a la dis-
tribución geométrica, lo mismo que la distribución binomial es a la
distribución de Bernoulli. Se menciona la relación anterior como ele-
mento introductorio ya que la distribución de Bernoulli busca analizar
un evento, mientras la distribución binomial busca analizar varios
eventos; la distribución geométrica busca analizar los eventos nece-
sarios antes de obtener un éxito, y la distribución binomial negativa
no busca sólo un éxito sino varios

9
Lo que hace la distribución binomial negativa es arrojar valores múltiples
para procesos predictivos, es decir, se está buscando aplicar la dis-
tribución de una progresión geométrica para eventos diferentes. La
distribución binomial negativa es muy práctica para modelar situa-
ciones en las que se requiere determinar un número de ensayos de
Bernoulli para poder obtener determinado número de éxitos, por lo
que se convierte en una continuación de la distribución geométrica.

Con el desarrollo de este proyecto y gracias a la comprensión de con-

ceptos entendimos que la distribución binomial, geometrica y nega-
tiva son una poderosa herramienta probabilistica que bien aplicada
nos podrá ayudar a facilitar los cálculos para la solución de problemas.

Con los grandes avances tecnológicos hemos ahorrado tiempo para el

análisis probabilistico, sin embargo la comprensión de la lógica que se
utiliza para llegar a la resolución del mismo es algo que nos ha llevado
a este estudio, el cual ha sido muy bien conducido por la docente
indira arroyo barros, quien nos imparte la asignatura de estadistica.

La distribución binomial negativa describe el número de fracasos nece-

sarios antes de obtener el k-ésimo éxito (en realizaciones independi-
entes de un experimento), siendo p la probabilidad de éxito en una
realización del experimento (probabilidad de fracaso q=1-p). X puede
tomar cualquier valor entero mayor o igual que cero.

La distribución geométrica describe el número de fracasos necesarios

antes de obtener éxito (en realizaciones independientes de un exper-
imento), siendo p la probabilidad de éxito en una realización del ex-
perimento /probabilidad de fracaso q=1-p). X puede tomar cualquier
valor entero mayor o igual que cero. Recordemos que simplemente
cuando k toma un valor entero igual a 1 la distribución discreta bi-
nomial negativa pasa a ser distribución geométrica.

Part VII
BIBLIOGRAFIA
Allan H. Smith and Michael N. Bates. (1992) Confidence limit analyses should
replace power calculations in the interpretation of epidemiologic studies.
Epidemiology, Kingsville Texas.
Hanke, John E y Arthur Reitsch. (1997). Estadı́stica para negocios. Editorial
Mc Graw Hill. 2a . Edición, USA, 562 p.
Lipschutz, S. Probabilidad. (1971). Traducción Alfredo Ferro. Editorial
McGraw Hill. México, Serie de Compendios Schaum. 151 p.
Machado P., L. (1 de 11 de 2011). Estadı́stica Descriptiva. Valladolid, Puebla,
México.
Mason, R y Douglas Lind. (1990). Estadı́stica para administración y
economı́a. Traducción de Marı́a Fournier. Editorial Alfaomega. México, 911 p.

10
 Murray R., S. (1976). Teorı́a y Problemas de Probabilidad y Estadı́stica.
Bogotá, Colombia: McGrawHill. Obregón Sanin Ivón. (1975). Teorı́a de la
Probabilidad Ed. Limusa
P. Armitage, G. Berry, (1992).Estadı́stica para la Investigación Biomédica.
Doyma, Barcelona.
Quevedo Urı́as, H. A. (12 de 08 de 2006). Métodos Estadı́sticos para la
ingenierı́a Benı́tez Morales, A. (s.f.). Apuntes de Probabilidad y Estadı́stica.
Pachuca, Hidalgo, México.

Part VIII
Referencia Multimedia
Biblos, A. (Dirección). (2011). Calculo del Coeficiente de Correlación (Parte I)
[Video]. Obtenido de http://youtu.be/oBImHXNU41Q
Biblos, A. (Dirección). (2011). Calculo del Coeficiente de Correlación (Parte
II) [Video]. Obtenido de http://youtu.be/W7hfZtZVOPI
Canal, C. (Dirección). (2012). Introducción a la Estadı́stica Descriptiva
[Video]. Obtenido de http://youtu.be/o1Y31RRGg7c
Lasmatematicas.es (Dirección). (2012). Variables Aleatorias [Video]. Obtenido
de http://youtu.be/tsGN9V0f7Es
LuisRinconUNAM (Dirección). (2013). Probabilidad Condicional [Video].
Obtenido de http://youtu.be/ovDmEn3ARFY
Monardes, C. (Dirección). (2012). Pruebas de Hipótesis [Video]. Obtenido de
http://youtu.be/oBImHXNU41Q Online, E. (Dirección). (2013). Estimación
Puntual y Propiedades de los Estimadores [Video]. Obtenido de

11