UNIVERSIDAD TECNOLÓGICA DEL PERÚ

FILIAL AREQUIPA

TRABAJO FINAL
Ingeniería de Sistemas

Distribuciones de V.A.D: Poisson y Hipergeometrica

CURSO: Estadística y Probabilidades I

ALUMNOS: Aronez Torres, Mc Arthur.

Chávez Tejada. Andy.
Conde Huamani, Yoselin
Rubin de Celis Acosta, Geoffrey.
Mamani Challa, Walter.

DOCENTE: Lic. Sharmila Cano Villafuerte

CICLO: IV
TURNO: Mañana

AREQUIPA – PERÚ
2012

1
 INDICE

1. INTRODUCCION………………………………………………………………………………………………..3

2. BREVE HISTORIA DE LA VARIABLE ALEATORIA………………………………………………… 4

3. OBJETIVOS GENERALES Y ESPECIFICOS ……………………………………………………………..5
4. DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS………6
3.1 DEFINICION………………………………………………………………………………………………..6
3.2 VARIABLE ALEATORIA…………………………………………………………………………………6
3.3 VARIABLE ALEATORIA CONTINUA……………………………………………………………….6
3.4 DISTRIBUCIONES…………………………………………………………………………………………7
3.4.1 DISTRIBUCIONES DISCRETAS……………………………………………………..7
3.4.2 DISTRIBUCIONES CONTINUA……………………………………………………..7

5. LA DISTRIBUCIÓN HIPERGEOMÉTRICA………………………………………………………………8
6. DISTRIBUCIÓN DE POISSON………………………………………………………………………………14
7.EJEMPLOS DE DISTRIBUCIÓN DE POISSON…………………………………………………………15
8.-CONCLUSIONES …………………………………………………………………………………………………18
9.-BIBLIOGRAFIA…………………………………………………………………………………………………….19

2
INTRODUCCION

La Probabilidad, como rama de las matemáticas que se ocupa de medir o determinar

cuantitativamente la posibilidad de que ocurra un determinado suceso está basada en el
estudio de la combinatoria y es fundamento necesario de la estadística.

La creación de la probabilidad se atribuye a los matemáticos franceses del siglo XVII Blaise
Pascal y Pierre de Fermat, aunque algunos matemáticos anteriores, como Gerolamo
Cardano en el siglo XVI, habían aportado importantes contribuciones a su desarrollo. La
probabilidad matemática comenzó como un intento de responder a varias preguntas que
surgían en los juegos de azar, por ejemplo, saber cuántos dados hay que lanzar para que
la probabilidad de que salga algún seis supere el 50%.

La probabilidad de un resultado se representa con un número entre 0 y 1, ambos

inclusive. La probabilidad 0 indica que el resultado no ocurrirá nunca, y la probabilidad 1,
que el resultado ocurrirá siempre.

El cálculo matemático de probabilidades se basa en situaciones teóricas en las cuales

puede configurarse un espacio muestral cuyos sucesos elementales tengan todos la
misma probabilidad. Por ejemplo, al lanzar un dado ideal, la probabilidad de cada una de
las caras es 1/6. Al lanzar dos dados, la probabilidad de cada uno de los resultados es
1/36.

El presente trabajo tiene como objetivo el análisis y estudio de la distribución de Poisson,

teniendo como finalidad presentar sus características primordiales, calculo de la media, la
varianza y su desviación estándar.

3
BREVE HISTORIA DE LA VARIABLE ALEATORIA

El aprendizaje de la variable aleatoria es muy escasa a pesar de

ser uno de los temas base en los cursos de estadística universitarios. Heitele (1975) la
situó como una de las ideas fundamentales dentro de la enseñanza escolarizada porque,
de acuerdo a su marco epistemológico de referencia, puede desarrollarse a través de un
currículo en espiral con diferentes estadios cognitivos y niveles de profundización, pero
conservando su estructura. Actualmente, sin embargo, es enseñada mayoritariamente
como un preámbulo a las funciones de distribución.

Un análisis cognitivo (Ruiz, 2004) previo nos ha mostrado algunas de las dificultades
con las que estudiantes universitarios se enfrentan al estudiar este tema y la necesidad
de realizar un análisis epistemológico sobre él con la finalidad de plantear una situación
didáctica que permita proponer sus estadios de aprendizaje. En particular nos centramos
en el análisis epistemológico histórico del concepto. La variable aleatoria, como muchos
otros conceptos científicos, ha surgido progresivamente a través de su historia y ha
presentado etapas de mayor o menor desarrollo las cuales están delimitadas por eventos
que marcan algún progreso en su conceptualización como el ente matemático que
conocemos actualmente. Este conocimiento proporciona herramientas sobre como se
llegó a comprender y penetrar en el concepto, así como la forma en que algunas
dificultades en su conceptualización han sido superadas por otras personas en la
historia.

4
Objetivos generales

Determinar como y cuando se debe utilizar la

determinar cómo y cuándo se debe utilizar la distribución de Poisson para obtener las
probabilidades de aquellas situaciones gerenciales que ocurren de forma impredecible y
ocasional.

Objetivos específicos

Identificar las propiedades de una distribución Poisson.

Determinar el promedio, la varianza y la desviación estándar utilizando las variables de la

distribución de Poisson.

5
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS

ESPACIO MUESTRAL: El conjunto de todos los resultados posibles de un experimento

estadístico denotado por “S” o “_”.VARIABLE: Se denomina variable a la entidad que
puede tomar un valor cualesquiera durante la duración de un proceso dado. Si la variable
toma un solo valor durante el proceso se llama constante.

VARIABLE ALEATORIA: Es una función que asocia un número real a cada elemento del
espacio muestral. Es decir son aquellas que pueden diferir de una respuesta a otra.
Una variable aleatoria se puede clasificar en:

 Variable aleatoria discreta.

 Variable aleatoria continúa.
 Variable aleatoria discreta.

Una variable discreta proporciona datos que son llamados datos cuantitativos discretos y
son respuestas numéricas que resultan de un proceso de conteo. La cantidad de alumnos
regulares en un grupo escolar.
El número de águilas en cinco lanzamientos de una moneda.
Número de circuitos en una computadora.
El número de vehículos vendidos en un día, en un lote de autos

VARIABLE ALEATORIA CONTINUA. Es aquella que se encuentra dentro de un intervalo

comprendido entre dos valores cualesquiera; ésta puede asumir infinito número de
valores y éstos se pueden medir. La estatura de un alumno de un grupo escolar .El peso
en gramos de una moneda.
La edad de un hijo de familia. Las dimensiones de un vehículo.

DISTRIBUCIONES
Distribución de probabilidad. Es una distribución teórica de frecuencias que describe
cómo se espera que varíen los resultados de un experimento. Existen diferentes tipos de
modelos que permiten describir el comportamiento de fenómenos estadísticos que
permiten hacer inferencias y tomar decisiones en condiciones de incertidumbre.

6
DISTRIBUCIONES DISCRETAS: Son aquellas donde las variables asumen un número
limitado de valores,
por ejemplo el número de años de estudio.

DISTRIBUCIONES CONTINUAS: Son aquellas donde las variables en estudio pueden

asumir cualquier valor dentro de determinados límites; por ejemplo, la estatura de un
estudiante.

Una distribución de frecuencias es un listado de las frecuencias observadas de todos los

resultados de un experimento que, en realidad se han presentado cuando se lleva a cabo
un experimento; en cambio, una distribución de probabilidad es un listado de las
probabilidades de todos los resultados posibles que podrían presentarse si se efectuara el
experimento.
Las probabilidades que se asocian a cada uno de los valores que toma la variable aleatoria
x constituyen lo que se conoce como DISTRIBUCIÓN DE PROBABILIDAD, la cual puede ser
representada mediante una función matemática, una gráfica o una tabla de valores. La
diferencia consiste en que la función matemática se transforma en una función
probabilística.

FUNCIONES DE PROBABILIDAD DISCRETAS

La distribución de probabilidad para una variable aleatoria discreta puede ser:

1.- Una relación teórica de resultados y probabilidades que se puede obtener de un

modelo
Matemático y que representa algún fenómeno de interés.
2.- Una relación empírica de resultados y sus frecuencias relativas observadas.
3.- Una relación subjetiva de resultados relacionados con sus probabilidades subjetivas o
artificiales. Que representan el grado de convicción del encargado en tomar decisiones
sobre la probabilidad de posibles resultados. Sabemos que una variable aleatoria discreta
o discontinua es aquella en la que existe una distancia bien definida entre dos de los
valores consecutivos que asume; y dichos valores son numerables.

7
Existen varios modelos matemáticos que representan diversos fenómenos discretos de la
vida real.

Las más útiles son:

1.- La distribución uniforme discreta.
1.- La distribución de probabilidad Binomial o de Bernoulli.
2.- La distribución de probabilidad Hipergeométrica.
3.- La distribución de probabilidad de Poisson

LA DISTRIBUCIÓN HIPERGEOMÉTRICA

En el caso de la distribución Hipergeométrica, a diferencia de la distribución Binomial, los

elementos se extraen simultáneamente, o si es uno a uno, sin devolverlos antes de
realizar la siguiente extracción, de forma que un elemento no puede aparecer dos veces
en una muestra. A esta manera de obtener la muestra se le llama muestreo sin
reemplazo.

En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta

relacionada con muestreos aleatorios y sin reemplazo. Supóngase que se tiene una
población de N elementos de los cuales, d pertenecen a la categoría A y N-d a la B. La
distribución hipergeométrica mide la probabilidad de obtener x ( ) elementos
de la categoría A en una muestra de n elementos de la población original.

La distribución hipergeométrica es especialmente útil en todos aquellos casos en los

que se extraigan muestras o se realizan experiencias repetidas sin devolución del
elemento extraído o sin retornar a la situación experimental inicial.

Modeliza , de hecho, situaciones en las que se repite un número determinado de veces

una prueba dicotómica de manera que con cada sucesivo resultado se ve alterada la
probabilidad de obtener en la siguiente prueba uno u otro resultado. Es una distribución
.fundamental en el estudio de muestras pequeñas de poblaciones .pequeñas y en el
cálculo de probabilidades de, juegos de azar y tiene grandes aplicaciones en el control de
calidad en otros procesos experimentales en los que no es posible retornar a la situación
de partida

Consideramos una población de tamaño N, dividida según la característica a estudiar, en

dos subpoblaciones disjuntas de tamaños N1 y N 2 respectivamente, N = N1 + N 2 . Por
ejemplo una urna con N bolas, donde N = 1,2,3,... de las cuales N1 son blancas y N 2 son
negras. Tomamos una muestra aleatoria sin reemplazamiento de tamaño n, siendo n ≤N.

Se emplea para calcular la probabilidad de obtener determinado número de éxitos en un

espacio muestral de n ensayos; pero a diferencia de la distribución binomial es que los
datos de la muestra se extraen sin reemplazo en una población finita. Por esto es que el
resultado de una observación depende
o es afectado por el resultado de cualquier otra u otras observaciones anteriores.
Es decir la distribución hipergeométrica se emplea para muestreos sin reemplazo de una
población finita cuya probabilidad de ocurrencia cambia a lo largo del ensayo.

8
Dado un espacio muestral S de tamaño N con los subespacios M _ N y (N - M) _ N
entonces, la probabilidad de que en n ensayos x pertenezca a M y (n - x) pertenezca a (N -
M) está dada por:

Donde:
N = El tamaño de espacio muestral S
n = El número de ensayos
M = El número de éxitos en el espacio muestral
N - M = Número de fracasos del espacio muestral
x = Número de éxitos en la muestra
n - x = Número de fracasos de la muestra.

Definición:

Se dice que el modelo de probabilidad de una variable aleatoria X es Hipergeométrico, si

su función de probabilidades es

9
Donde N es el número de elementos de la población, a es el número de elementos de la
población que tienen la característica de interés, n es el tamaño de la muestra y x el
número de elementos de la muestra que tienen la característica de interés.

X= “número de elementos que pertenecen a una de las subpoblaciones (consideramos la

primera) cuando tomamos una muestra aleatoria sin reemplazamiento de tamaño n, de
la población total” decimos que sigue una distribución hipergeométrica de parámetros N,
N1,n, XH(N,N1,n) y su función de probabilidad es:

 N1  N  N1 
  

P(X=k)=   
k n k
N
 
n 
Propiedades:
* Media: μ=n p
N n
* Varianza: VAR[X]= npq
N 1
* Aproximación a la binomial: Sea X una v.a. con distribución hipergeométrica H
(N,n,p ). Entonces si N es muy grande en comparación con n, la distribución
hipergeométrica se aproxima a la binomial. Es decir: H(N,n,p)  B(n,p) si N→∞.
Se considerará una buena aproximación cuando N >50 y n ≤0,1N

Función de cuantía.

La función de cuantía de una distribución Hipergeométrica hará corresponder a cada

valor de la variable X (x = 0,1,2, . . . n) la probabilidad del suceso "obtener x resultados del
tipo A ", y (n-x) resultados del tipo no A en las n pruebas realizadas de entre las N
posibles.

Veamos: Hay un total de formas distintas de obtener x resultados del tipo A

Y n-x del tipo

Si partimos de una población formada por Np elementos del tipo A y Nq elementos del
tipo

Por otro lado si realizamos n pruebas o extracciones hay un total de posibles

muestras ( grupos de n elementos)

10
Aplicando la regla de Laplace tendríamos

Que para valores de X comprendidos entre el conjunto de enteros 0,1,…. .n será la

expresión de la función de cuantía de una distribución , Hipergeométrica de parámetros
N,n,p .

Distribución hipergeométrica

Parámetros

Dominio
Función de
probabilidad
(fp)

Media

Moda

Varianza

Coeficiente
de simetría

Curtosis

11
Función
generadora
de momentos
(mgf)

Función
característica

Propiedades

La función de probabilidad de una variable aleatoria con distribución hipergeométrica

puede deducirse a través de razonamientos combinatorios y es igual a

donde es el tamaño de población, es el tamaño de la muestra extraída, es el

número de elementos en la población original que pertenecen a la categoría deseada y
es el número de elementos en la muestra que pertenecen a dicha categoría. La notación

hace referencia al coeficiente binomial, es decir, el número de combinaciones

posibles al seleccionar elementos de un total .

El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica es

y su varianza,

En la fórmula anterior, definiendo

12
se obtiene

La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a

muestreos con reemplazo. En situaciones en las que el número esperado de repeticiones
en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda.
Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N, es
pequeño.

Ejemplo 1. Una tienda de artículos eléctricos tiene 20 planchas, de las cuales 5 son
amarillas. Si se extraen aleatoriamente y sin sustitución 10 planchas ¿Cuál es la
probabilidad de que dos de ellas sean amarillas?

Solución.

En este caso se tiene una población de 20 planchas (N = 20), de las cuales 5 son amarillas
(a = 5) y se extrae una muestra de 10 planchas (n = 10). La variable aleatoria será el
número de planchas amarillas que hay en la muestra (entre las extraídas), por lo que x =
2. Sustituyendo en el modelo de la distribución Hipergeométrica tenemos:

Semejanzas y Diferencias con la Distribución Binomial

Enseguida se mencionan las semejanzas y diferencias entre los modelos Hipergeométrico

y Binominal.

Las semejanzas son:

Tanto el modelo Hipergeométrico como el Binominal surgen de la repetición de un

experimento con sólo dos resultados posibles.

Si el tamaño de la población es grande o si el tamaño de la muestra es muy pequeño en

relación con el de la población, mediante el modelo Binomial se puede obtener una
buena aproximación al modelo Hipergeométrico, aunque el muestreo se realice sin
reemplazo, haciendo .

13
Las diferencias entre ellos son:

1. Las repeticiones en un modelo Binomial son independientes, mientras que en el

modelo Hipergeométrico las repeticiones no son independientes. Por ejemplo, si al
realizar por primera vez un experimento el resultado es defectuoso (D1) y al realizar por
segunda vez también es defectuoso (D2), entonces se tiene que:

P(D2 | D1)  P(D2)

2.Las medias en los dos modelos son iguales, pero las variancias son diferentes. La
variancia en el modelo Hipergeométrico siempre es menor que en el Binomial, salvo
cuando n = 1, pero entonces las dos distribuciones se reducen al modelo de Bernoulli.

De acuerdo a lo anterior, es fácil ver las condiciones en que se debe aplicar cada
distribución. Si la población es infinita o el muestreo se realiza con reemplazo, el modelo
adecuado es el Binomial. Si la población es finita y el muestreo se realiza sin reemplazo, el
modelo adecuado es el Hipergeométrico, salvo el caso en que se pueda realizar la
aproximación mediante el modelo Binomial.

DISTRIBUCIÓN DE POISSON.

La distribución de Poisson suele emplearse para representar experimentos en los que se

analiza el número de veces que ocurre cierto evento en un intervalo (en general de
tiempo).

Definición: La variable aleatoria X= “número de veces que ocurre un evento por unidad
de tiempo” decimos que sigue una distribución de Poisson de parámetro λ (λ>0), XP(λ).
Los valores de la variable son {0,1,2,...} con probabilidades:
k
P(X=k)= e 
k!

Propiedades:
* Media: μ=λ
* Varianza: VAR[X]=λ
* Propiedad reproductiva: Si X1 y X 2 son 2 v.a. independientes distribuidas según
una ley de Poisson, P(λ 1 ) y P( 2 ) respectivamente , entonces la v.a. X= X1 + X 2 se
distribuye según una distribución de Poisson de parámetro 1  2 .

* Distribución de Poisson como límite de la Binomial. Considerando un número n

grande de pruebas de Bernouilli independientes, con probabilidad de éxito p, pequeña y
haciendo λ=np, llegamos a obtener la distribución de Poisson como límite de la binomial
cuando n→∞ . Es decir, si n→∞, p→0 y λ=np permanece constante, entonces se
verifica:

14
 lim B(n,p)=P(λ)
n

En la práctica la distribución binomial se puede aproximar a una Poisson cuando n  30 y

p≤0,1, y como la media en la distribución binomial es np y en la de Poisson es λ, entonces
en esta aproximación se considera que la media es λ=n p.

La distribución de Poisson se aplica a varios fenómenos discretos de la naturaleza (esto

es, aquellos fenómenos que ocurren 0, 1, 2, 3,... veces durante un periodo definido de
tiempo o en un área determinada) cuando la probabilidad de ocurrencia del fenómeno es
constante en el tiempo o el espacio. Ejemplos de estos eventos que pueden ser
modelados por la distribución de Poisson incluyen:

El número de autos que pasan a través de un cierto punto en una ruta (suficientemente
distantes de los semáforos) durante un periodo definido de tiempo.
El número de errores de ortografía que uno comete al escribir una única página.
El número de llamadas telefónicas en una central telefónica por minuto.
El número de servidores web accedidos por minuto.
El número de animales muertos encontrados por unidad de longitud de ruta.
El número de mutaciones de determinada cadena de ADN después de cierta cantidad
de radiación.
El número de núcleos atómicos inestables que decayeron en un determinado período
El número de estrellas en un determinado volumen de espacio.
La distribución de receptores visuales en la retina del ojo humano.
La inventiva de un inventor a lo largo de su carrera

Ejercicio 1
Suponga que llega en forma aleatoria una serie de llamadas s una central telefónica con
un promedio de tres llamadas por minuto.
a) Calcular la probabilidad de que un periodo de un minuto
i) No ocurra llamada alguna,
ii) Ocurran al menos 4 llamadas.
b) Si cada llamada cuesta 0,5 ¿Cuánto es el costo esperado por llamada?

Solución:
𝜆 = 3 llamadas / minuto
𝑒 −30 (3)𝑘 𝑒 −3 3𝑘
P [x = A] = =
𝑘! 𝑘!

𝑒 −3 3𝑜
a) i) P [x = 0] = = 0,0497 ≅0,05
0!
ii) P [x ≥ 4] = 1 - P [x < 4] = 1 - P [x = 0] - P [x < 1] - P [x = 2] - P [x = 3]

15
 𝑒 −3 3𝑜 𝑒 −3 (3)1 𝑒 −3 (3)2
=I - − − = 0,3527 ≅ 935
0! 1! 2!

b) E (x) = 𝜆 =3 => costo => (30,5) = 15

Ejercicio 2
En una empresa textil produce un tipo de tela en rollos de 100 metros. El numero de
defectos que se encuentran al desenrollar la tela es una variable aleatoria de Poisson que
tiene en promedio 4 defectos por cada 20 metros de tela.»
a) ¿Qué probabilidad hay de que al desenrollar la tela se encuentre menos de tres
defectos en los 50 primeros metros?
b) Hallar la probabilidad de que al desenrollar la tela no se encuentre defectos en el
primer segmento de 5 metros de tela.
c) Si se desenrollan 5 rollos de tela escogidos al azar. ¿Cuál es la probabilidad de que no
se encuentre defectos en el primer segmento de 5 metros de tela en la menos dos de
ellos?
Solución:
a) 𝜆 = 10 defectuoso / 50 metros
P [x ≤ 3] = 1 - P [x = 0] - P [x = 1] - P [x = 2]
𝑒 −10 . (10)0 𝑒 −10 . (10)1 𝑒 −10 . (10)2
=1- − − = 0,00276 ≈ 0,003
0! 1! 2!

b) 𝜆 = 1 defectuoso / 5 metros
𝑒 −1 . (1)0
P [x ≤ 0] = = 0,3678 ≅ 0,37
0!
c) x1 = 100
P [x ≥ 2] = 1 - P [x < 1]
= 1 - P [x = 0] - P [x = 2]
0 0
𝑒−100 . (100) 𝑒−100 . (100)
=1− 0!
− 100 !
= 0,60
𝜆=1

𝑒 −1 . (1)0 0,37
P [x = 0] = = 0,37 => ≅ 0,6166
0! 0,60

3. Suponga que el número de accidentes de trabajo que se producen por semana en una
fábrica sigue la ley de Poisson de manera que la probabilidad de que ocurran 2
accidentes es igual VI de la probabilidad de que ocurra un accidente. Calcular la
probabilidad de que no ocurran accidentes en 2 semanas consecutivas.

16
𝜆 = promedio
𝑒 −𝜆 . (𝜆)2
P [x = 2] =
2!
𝑒 −𝜆 . (𝜆)1
P [x = 0] =
1!
En 2 semanas
𝜆=6
𝑒 −6 . (6)0
P [x = 0] = = 0,00247
0!

17
CONCLUSIONES

18
BIBLIOGRAFIA

Martín Pliego, F.J. (2004). Introducción a la Estadística Económica y Empresarial. (Ed.) Thomson. Madrid.
Mendenhall, W.; Reinmuth, J.E. (1978). Estadística para administración y economía. (Ed.) Grupo Editorial
Iberoamericana. ISBN 968‐7270‐13‐6.
Montiel, A.M.; Rius, F.; Barón F.J. (1997). Elementos básicos de Estadística Económica y Empresarial. (2ª
Ed.) Prentice Hall, Madrid.
Peña, D. (2001). Fundamentos de Estadística. (Ed.) Alianza Editorial, S.A. Madrid. ISBN: 84‐206‐8696‐4.

19
20
21
22
23