 Introducción:

En algunas situaciones de toma de decisiones, las personas necesitan determinar si los

parámetros de dos poblaciones se parecen o se diferencian. Por ejemplo, una compañía desea
probar, si las producciones de calzados realizadas por empleadas difieren, por ello reciben
sueldos más bajos que los empleados varones por realizar un mismo trabajo. Es posible que un
director de capacitación desee determinar si la producción de empleados en una instalación
gubernamental difiere de la proporción de otra instalación. Un fabricante de productos
sanitarios quizá necesita saber si un producto nuevo tendrá alta demanda en el mercado, para
ello realizará barias pruebas con una minoría luego si las pruebas tienen éxito entonces no
correrá riesgos y podrá fabricar productos sanitarios a gran escala.

La probabilidad es una herramienta necesaria muchas ramas de las ciencias, medicina, política,
económicas, administrativas e ingenierías ya que ayuda a brindar soluciones a problemas en
una población grande con datos de un porcentaje menor de dicha población.

 Marco teórico:
Distribución de Bernoulli
En muchos experimentos que solo tienen dos resultados posibles llamadas éxito (E) y fracaso
(F) donde el espacio maestral de este ensayo es (Ω) ={𝐸. 𝐹}

PROCESO

Sea el experimento constituido por “n” ensayos done se cumple:

1. Cada ensayo solo tiene dos resultados posibles E o F.

2. Los ensayos son independientes. Es decir, el resultado (éxito o fracaso) de cualquier
ensayo es independiente del resultado de cualquier otro resultado.
3. Las probabilidades de éxito “p” permanece constante de ensayo tras ensayo. Luego la
probabilidad de fracaso “q”, q=1-p también será constante.

DENOTACION:

p=P[𝐸] q=1-p=P[F]

la distribución de Bernoulli también lo podemos escribir de la forma de una función.

p(x)=P[𝑋 = 𝑥]= 𝑝 𝑥 (1 − 𝑝)1−𝑥 , x=0 o 1

donde (X) es la variable aleatoria de Bernoulli

distribución binomial:
En esta parte estaremos interesados en el número total de éxitos “E “obtenidos en un
proceso de “n” ensayos sin importar el orden en que se presentan.
El espacio maestral Ω de los n ensayos tiene 2𝑛 elementos los cuales son ,una sucesión de
n símbolos E y F.
Ω = EEFFFEEFFFEEFFFF……n letras
Definamos ahora la variable X de la siguiente manera:
X(α)=número de éxitos obtenidos en los n ensayos.
Los cuales pueden ser {0,1,2,3,4,5 … . 𝑛}
La distribución de la probabilidad de la variable aleatoria binomial X se llama
distribución binomial y se denota de la siguiente manera.

P[𝑋 = 𝑥|𝐵; 𝑛, 𝑝]= P[𝑋 = 𝑥]= (𝑛𝑥)𝑝 𝑥 (𝑞)𝑛−𝑥 también de la forma

b( x;n,p)= (𝑛𝑥)𝑝 𝑥 (𝑞)𝑛−𝑥 ,x=0,1,2,3,4,5…..n

se lee así:
“la probabilidad de obtener exactamente x éxitos y n-x fracasos”

Ejemplos
Distribución de poisson.
La distribución de poisson es una distribución discreta más importante a la que se aplican en
muchos casos prácticos.

Esta distribución se caracteriza por estar en los eventos discretos que se generan en un
intervalo continuo en unidad de medida (longitud, área, volumen. Etc.) en el cual se establece
un parámetro (λ), daremos antes algunos casos donde podemos aplicar la distribución
de poisson como, por ejemplo:

Contar el número de autos que llegan a una estación de servicio durante un intervalo
de tiempo ya sea en horas, minutos, días. En este ejemplo tomaremos en un intervalo
de una hora, donde pueden llegar; 0 autos,1 auto, 2 autos,3 autos o más.

 Esta proposición es discreta ya que la hora de llegada es un punto en el periodo

continuo de 1 hora
 También podemos podemos definir aleatoria X como:

X(β)=número de autos que llegan que llegan la estación de servicio en una hora
𝑅𝑥= {0, 1, 2, 3….}
PROPIEDADES
1. El número promedio de ocurrencias de eventos en una unidad de medida es
igual a (λ).
2. La ocurrencia de un evento en una unidad de medida “m” no afecta a la
ocurrencia, o no ocurrencia de otra unidad de medida “m” contigua. Es decir,
las ocurrencias de los eventos en unidades de medida contiguas son
independientes.
La variable aleatoria así definidas se llama variable aleatoria de poisson y la
distribución de la probabilidad X se le llama distribución de poisson la cual se define
así:

𝑒 −λ𝑡 (λ𝑡)𝑥
p(x)=P[X=x|P: λ𝑡]= , x=0,1,2,3…..
𝑥!

donde λ𝑡 es el numero promedio de ocurrencias de los eventos en las 𝑡

unidades de medida.