Académique Documents
Professionnel Documents
Culture Documents
negativa
.
May 3, 2019
Integrantes
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.
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.
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.
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.
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).
f(A) = p(A)
5
Para esta distribución se verifica que, la variable X puede tomar los
valores
0, 1, 2, ..., n
P (X = r) = (nCr)pr (1 − p)n − r
EJERCICIOS-1
EJERCICIO-2
3
B (10, 1/4) p = 1/4q = 4
EJERCICIO-3
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
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
P (x = x) = (1 − p)x − 1
EJEMPLO 1
g(x; p) = pq x − 1
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
P (X = 5) = 0,2
4 × 0, 8 =, 00128
caracterı́sticas:
b*(x; k, p)
8
Ejemplos -1
EJEMPLO 2:
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.
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