Distribuciones de Probabilidades

Distribucin de Bernoulli
Un experimento aleatorio se dice que es de Bernoulli cuando nicamente puede
tener dos resultados mutuamente excluyentes; uno de ellos se denomina xito y
el otro fracaso.
Ejemplos:
o Los resultados cara o cruz en el lanzamiento de una moneda.
o Las piezas defectuosa o no defectuosa en el control de calidad de un
producto.
o Resultado exitoso o fallido de la peticin a un servidor.

Sea X una v. a. asociada a un experimento de Bernoulli y que toma los valores:
X(xito) = 1 X(fracaso) = 0
Entonces se dice que X sigue una distribucin de Bernoulli X B(1, p). Su funcin
de probabilidad viene dada por:
Pr(X = 1) = p Pr(X = 0) = 1 p = q

Propiedades:
1. = E(X) = 0 q + 1 p = p.
2.
2
= Var(X) = E(X
2
) E
2
(X) = p p
2
= pq.
3. =( )



Ejercicio
Una persona participa en un concurso debe responder falso o verdadero a una
afirmacin que se le hace en cada una de seis etapas. Si la persona responde al
azar, la probabilidad de que acierte es esas seis etapas es:

Solucin
Sea x la variable que indique el nmero de veces que acierta una etapa.
La probabilidad de acertar una afirmacin es de

. Como es una afirmacin por

etapa, se tiene la misma probabilidad de acertar una etapa es tambin

P(x=1)=

Como todas las etapas son independientes, la probabilidad de acertar dos etapas
es

Asi sucesivamente para n etapas la probabilidad de acertar en todas ellas es:

Para n= 6 etapas:





Distribucin binomial
Una sucesin de n pruebas se dice que es de Bernoulli cuando los experimentos
individuales verican las siguientes condiciones:
1. Las n pruebas son independientes.
2. Cada prueba es de Bernoulli.
3. La probabilidad p de xito es igual en todas las pruebas.
La variable aleatoria denida como nmero de xitos en n pruebas, X B(n, p),
se dice que sigue una distribucin binomial de parmetros n, p.
La variable puede tomar los valores {0, 1, 2, . . . , k, . . . , n} y su funcin de
probabilidad es la siguiente:
Pr(X = k) = Pr(k xitos en n pruebas) = (

Donde
(

( )
Ejemplos:
o Nmero de veces que aparece el resultado cara al lanzar una moneda
diez veces.
o Nmero de xitos en la recepcin de un mensaje enviado a 100
destinatarios.
o Nmero de ordenadores en una subred que han sido infectados por un
virus.




Propiedades:
1. X = X
1
+ X
2
+ + X
n
, donde X
1
,. . . , X
n
son variables independientes todas
ellas con distribucin B(1, p).
2. = E(X) = np.
3.
2
= Var(X) = n p q.
4. Dadas X
1
B(n
1
, p) y X
2
B(n
2
, p) v.a. independientes, entonces X
1
+X
2
B(n
1

+ n
2
, p).
5. =( )
Ejercicio
Calcula la probabilidad de obtener al menos dos seises al lanzar un dado cuatro
veces.
p = 1/6, q = 5/6, n = 4
Al menos dos seises, implica que nos valen k = 2, 3, 4.
P(2) + P(3) + P (4)





) ,.... 1 , 0 ( ) ( n k q p
k
n
k P
k n k
=
|
|
.
|

\
|
=

4 3 2 2
6
1
4
4
6
5
6
1
3
4
6
5
6
1
2
4
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
+
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
=
132 . 0
1296
171
) 1 5 4 25 6 (
6
1
4
= = + + =


TABLA DE DISTRIBUCION BINOMIAL



Distribucin geomtrica

Sea X la variable aleatoria denida como el nmero de pruebas realizadas hasta
que aparece por primera vez el resultado xito, en pruebas de Bernoulli; entonces
se dice que X G(p) sigue una distribucin geomtrica de parmetro p.
Los valores que puede tomar esta variable son {1, 2, . . . , k, . . . } con
probabilidades:
Pr(X = k) = Pr(F
1
F
2
. . . F
k
E) = q
k-1
p


Ejemplos:
o Nmero de veces que ha sido necesario ejecutar un programa hasta que
falla por primera vez.
o Nmero de veces que ha sido necesario enviar un mensaje hasta que fue
recibido por el destinatario.

Propiedades:
1. = E(X) =

si p > 0.
2.
2
= Var(X) =

.
Una forma alternativa de representar este experimento es considerar la variable Y
que cuenta el nmero de fracasos obtenidos hasta que aparece el primer xito; es
evidente que la relacin entre las dos variables viene dada por la expresin X = Y
+ 1. La esperanza de Y es E(Y ) =

. La varianza, obviamente, es la misma.

Ejercicio
Un acontecimiento ocurre, en la poblacin, en el 10% de los casos. Qu tamao
de muestra debo tomar para tener una probabilidad del 95% de obtener al menos
un xito?





Distribucin Hipergeomtrica

La distribucin Hipergeomtrica de parmetros k, n y N (HG (k, n, N)) surge en
situaciones en donde el modelo aproximado de probabilidad se corresponde con
muestreo sin reemplazamiento de una poblacin dicotmica (Exito y Fracaso)
finita. Concretamente, las suposiciones que llevan a considerar esta distribucin
son:
o La poblacin o conjunto donde deba hacerse el muestreo consta de N
individuos o elementos a seleccionar.
o Cada individuo puede ser caracterizado como un xito (E) o fracaso (F).
o Se selecciona una muestra de n individuos de entre los k individuos
marcados como xito y los N k restantes marcados como fracaso.
o Hay seleccin equiprobable en cada paso.
Denicin 10 Una v.a. X tiene una distribucin Hipergeomtrica si (para algunos
enteros positivos k, n y N)
1
1
. 95 . 0
1
1

= =

=

q
q
p
n n
x
x
pq
1 9 . 0 95 . 0 ) 1 9 . 0 ( 95 . 0
1 9 . 0
1 9 . 0
. 1 . 0 95 . 0 + = =

=
n n
n
29 4 . 28
9 . 0 ln
05 . 0 ln
9 . 0 ln 05 . 0 ln 9 . 0 05 . 0 ~ = = = = n n
n


X = "n
0
de individuos de un total de n con cierta caracterstica

(xito) si en N hay un
total de k"


Proposicin 11 Podemos aproximar la distribucin Hipergeomtrica a la
distribucin Binomial, puesto que cuando N es grande (N > 10n) podemos suponer
que X Bi(n, p) con p =

Propiedades

Ejercicio
12 De cada 2.000 tornillos fabricados por una determinada mquina hay 2
defectuosos. Para realizar el control de calidad se observan 150 tornillos y se
rechaza el lote si el nmero de defectuosos es mayor que 1. Calcular la
probabilidad de que el lote sea rechazado.
Sea X ="n
0
de defectuosos de un total de n = 150 si en N = 2.000 hay un total de k
= 2" HG (k = 2, n = 150, N = 2.000)


Se pide P (X > 1) = 1 [P (X = 0) + P (X = 1)] =



Como los clculos son complicados, se va a aproximar la v.a. X por una binomial
Bi



Distribucin de Poisson
La distribucin de Poisson suele emplearse para representar experimentos en los
que se analiza el nmero de veces que ocurre cierto suceso en un intervalo (en
general de tiempo).
Los requisitos que deben vericar estas experiencias son las siguientes:
1. Las condiciones experimentales deben ser constantes a lo largo de todo el
intervalo.
2. Los resultados del experimento deben ser independientes cuando se reeren a
intervalos disjuntos.
3. La tasa media de aparicin del suceso, en cualquier intervalo de longitud uno,
es constante y se representa por .
4. La probabilidad de que el suceso ocurra una sola vez en un intervalo de
amplitud h sucientemente pequea, debe ser aproximadamente h.
5. La probabilidad de dos o ms ocurrencias del suceso, en un intervalo
sucientemente pequeo, debe ser prcticamente cero.
Bajo las anteriores condiciones la variable X = nmero de veces que ocurre el
suceso, se dice que sigue una distribucin de Poisson de parmetro , X P().
Los valores de la variable son {0, 1, 2, . . . k . . .} con probabilidades:
Pr(X = k) = e

si k = 0, 1, 2, . . .


Ejemplos:
o El nmero de partculas emitidas por una substancia radiactiva en una hora.
o El nmero de mensajes que llegan a un servidor de correo durante una
hora.
Propiedades:
1. = E(X) = .
2.
2
= Var(X) = .

3. Sean X
1
P(
1
) y X
2
P(
2
) v.a. independientes, entonces X
1
+ X
2
P(
1
+
2
).
4 =

Ejercicio
La seal promedio recibida en un telescopio de una fuente celeste es de 10
fotones por segundo. Calcular la probabilidad de recibir 7 fotones en un segundo
dado.
Una distribucin de Poisson
con = 10.

P(7) = 10
7
e
10
/ 7! = 0.09, es decir 9%
Parece muy baja. Comparemos con el valor de mxima probabilidad que ocurrir
para x = 10:
= 10 P(10) = 10
10
x e
10
/ 10! = 0.125, es decir 12.5%
Las probabilidades poissonianas para un nmero de eventos dado, son siempre
pequeas, incluso en el mximo de la distribucin de probabilidad.
,....) 1 , 0 (
!

) (

x
= =

x e
x
x p


TABLA DE DISTRIBUCIN POISSON
Distribucin Binomial Negativa
La distribucin Binomial Negativa de parmetro r y p (BN (r, p)) surge como una
secuencia innita de intentos del tipo de Bernoulli que verican:
o La secuencia de intentos es independiente.
o Cada resultado del intento puede tomar nicamente dos resultados
mutuamente excluyentes, que denotaremos por EXITO (E) o FRACASO
(F).
o La probabilidad de xito (y por lo tanto la de fracaso) es constante en cada
intento.


o Los intentos continan (se ejecutan) hasta que un total de r xitos se hayan
observado.

As cada intento, deniendo p = P (EXITO) y asignando el valor 0 cuando ocurre F
y el valor 1 cuando ocurre E, se puede describir como una distribucin de Bernoulli
de parmetro p.
Denicin 7 Una v.a. X tiene una distribucin Binomial Negativa si (para algn
entero positivo r y algn p con 0 p 1)
X = "n
0
de fracasos hasta el r simo xito si p = P (EXITO) "


Proposicin 8 Si X tiene la distribucin Binomial Negativa con r (nmero de xitos)
y p (probabilidad de xito) que denotaremos por X BN (r, p) entonces la variable
Y = X + r, que representa el nmero de pruebas para del xito r-simo, tiene una
distribucin relacionada con X por:


Observacin 9 La distribucin Binomial Negativa con r = 1 es conocida en la
literatura por distribucin geomtrica de parmetro p y mide el nmero de fracasos
antes del primer xito.



Propiedades
Distribucin Binomial Negativa de parmetros r y p

Ejercicio
Una aeronave tiene 3 computadoras idnticas. Slo una de ellas se emplea para
controlar la nave, las otras 2 son de reserva, redundantes, por si falla la primera.
Durante una hora de operacin la probabilidad de fallo es 0.0005.
Cul es el tiempo promedio de fallo de las tres computadoras?
Cul es la probabilidad de que las 3 fallen durante un vuelo de 5
horas?
a)


b)




Distribucin uniforme continua
Una variable aleatoria X se dice que sigue una distribucin uniforme en [a, b],
donde a b son nmeros reales, X U(a, b), si tiene la siguiente funcin de
densidad:
() {

}

Esta distribucin se puede emplear en problemas en los que la probabilidad se
reparte por igual en todo el intervalo.
Propiedades:
1. = E(X) =

(punto medio del intervalo [a, b]).

2.
2
= Var(X) =
()

Caractersticas:
1. Se habla de una funcin de densidad que entrega solo un valor evaluado.
2. Es el rea bajo la curva la que determina la probabilidad
3. La probabilidad de que una variables aleatoria asuma un valor en cualquier
intervalo es igual para todo intervalo
4. La probabilidad es proporcional a toda la longitud del intervalo.
Ejemplo: el precio medio del litro de gasolina durante el prximo ao se estima
que puede oscilar entre 140 y 160 ptas. Podra ser, por tanto, de 143 ptas., o de
143,4 ptas., o de 143,45 ptas., o de 143,455 ptas, etc. Hay infinitas posibilidades,
todas ellas con la misma probabilidad.
Su funcin de densidad, aquella que nos permite conocer la probabilidad que
tiene cada punto del intervalo, viene definida por:



Donde:
b: es el extremo superior (en el ejemplo, 160 ptas.)
a: es el extremo inferior (en el ejemplo, 140 ptas.)
Por lo tanto, la funcin de distribucin del ejemplo sera:

Es decir, que el valor final est entre 140 ptas. y 141 ptas. tiene un 5% de
probabilidad, que est entre 141 y 142, otro 5%, etc.
El valor medio de esta distribucin se calcula:

En el ejemplo:

Por lo tanto, el precio medio esperado de la gasolina para el prximo ao es de
150 ptas.






Veamos otro ejemplo:
El volumen de precipitaciones estimado para el prximo ao en la ciudad de
Sevilla va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la funcin
de distribucin y la precipitacin media esperada:

Es decir, que el volumen de precipitaciones est entre 400 y 401 litros tiene un 1%
de probabilidades; que est entre 401 y 402 litros, otro 1%, etc.
El valor medio esperado es:

Es decir, la precipitacin media estimada en Sevilla para el prximo ao es de 450
litros.
Distribucin uniforme discreta
Tenemos esta distribucin cuando el resultado de una experiencia aleatoria puede
ser un conjunto finito de n posibles resultados, todos ellos igualmente probables.
En general si la variables x puede formar n ( k es igual a 1,2,3, n) valores todo
con igual probabilidad .su funcin de densidad ser:
F (k)=p[x k]=

Propiedades
(Sean n el nmero de valores posibles)
E(x)=

Var(x)=

=
()()

Caractersticas
1. El parmetro de la distribucin de la probabilidad especial viene dado por la
inversa de la cantidad de valores que puede formar la variable.
2. La media de una variable aleatoria uniforme discreta siempre coincide con
un de los valores de la misma observados en el experimento
3. La varianza no dependen del nmero de valores que pueda tomar la
variable.
Ejercicio 1
Supngase que la concentracin que cierto contaminante se encuentra distribuida
de manera contaminante se encuentra distribuida de manera uniforme en el
intervalo de 0 a 20 pares de milln. Si uniforme en el intervalo de 0 a 20 pares de
milln. Si se considera txica una concentracin de 8 o ms.se considera txica
una concentracin de 8 o ms. Cul es la probabilidad de que al tomarse una
Cul es la probabilidad de que al tomarse una muestra la concentracin de
esta sea txica? Muestra la concentracin de esta sea txica?. Concentracin
media y varianza. Probabilidad de Concentracin media y varianza. Probabilidad
de que la concentracin sea exactamente 10.
Solucin:



Ejercicio 2:
Supongamos que el consumo familiar de un cierto producto se distribuye como
una variable aleatoria de distribucin uniforme, con esperanza igual a10 y varianza
unidad. Determina la probabilidad de que dicho consumo este comprendido entre
8 y 12 unidades.

Solucin:


Distribucin exponencial
En un experimento de Poisson en el que se observa la ocurrencia de un suceso E
en un intervalo de tiempo, donde > 0 representa el nmero medio de sucesos
que ocurren por unidad de tiempo, puede ser de inters el tiempo que transcurre
entre dos sucesos consecutivos.
En este caso, la v.a. T = tiempo entre dos sucesos consecutivos es continua y su
distribucin se calcula de la siguiente manera:
P(T t) = 1 P(T > t) = 1 P(X = 0) = 1 e
t

ya que el suceso (T > t) signica que en el intervalo (0, t] no apareci en ninguna
ocasin el suceso E. Se dice entonces que T tiene distribucin exponencial de


parmetro , que se denotar por T Exp() y su funcin de distribucin viene
dada por:

() {

y su funcin de densidad es:


() {

Ejemplo:
o Tiempo que tarda una cierta cantidad de una substancia radiactiva en
reducir su masa a la mitad.
o Tiempo transcurrido entre la llegada de dos clientes consecutivos a una
tienda.

Propiedades:
1. E(T) =

.
2. Var(T) =

3. Pr[T > (t + h) | T t] = Pr[T > h].
Esta probabilidad solo depende de la amplitud del intervalo [t, t + h), pero no del
valor concreto de t y nos referiremos a ella diciendo que la distribucin
exponencial no tiene memoria.


Para comprender el signicado intuitivo de esta propiedad supongamos que
estamos analizando una variable que representa el tiempo transcurrido hasta que
un sistema falla, como por ejemplo el tiempo de semi-desintegracin de una
materia radiactiva o la vida de una persona. Si esta variable se ajustase a una
distribucin exponencial, signicara que la probabilidad de que el sistema dure
diez aos ms, es independiente de lo antiguo que sea. Esto puede ser cierto para
una materia radiactiva, pero suele resultar falso para una persona.

Ejercicio 1:
El tiempo durante el cual cierta marca de batera trabaja en forma efectiva hasta
que falle (tiempo de falla) se distribuye segn el modelo exponencial con un
tiempo promedio de fallas igual a 360 das.
a) qu probabilidad hay que el tiempo de falla sea mayor que 400 das?.
b) Si una de estas bateras ha trabajado ya 400 das, qu probabilidad hay
que trabaja ms de 200 das ms?
c) Si se estn usando 5 de tales bateras calcular la probabilidad de que ms de
dos de ellas continen trabajando despus de 360 das.

Solucin
Sea X=el tiempo que trabaja la batera hasta que falle. El tiempo promedio de falla
es de 360 das. Entonces, X ~Exp (=1/360) y su funcin de densidad es:




Distribucin normal
Es la ms importante de las distribuciones continuas ya que permite describir un
nmero muy grande de fenmenos aleatorios, como por ejemplo aquellos en los
que intervienen un nmero elevado de factores no controlables, que actan de
manera independiente y con efectos pequeos.
Una v.a. se dice que sigue una distribucin normal X N(; ), si su funcin de
densidad es:
f(x) =

*
()

+





Propiedades:
1. E(X) = .
2. Var(X) =
2

3. Si X
1
N(
1
;
1
) y X
2
N(
2
;
2
) son v.a. independientes, entonces se verica
que:
X = X
1
+ X
2
N(
1
+
2
;

)
4. Sea X N(; ) entonces Y = a + bX, con b 0, sigue una distribucin normal
N(a + b; |b|).
5. La funcin de distribucin de cualquier distribucin N(; ) se puede calcular
utilizando la distribucin N(0; 1) o normal tipicada.
( ) (

) ( )
donde Z =

es la normal tipicada y

se denomina puntuacin tipificada.

6. La funcin de densidad de la normal no admite primitiva y su funcin de
distribucin se calcula de manera aproximada. En lugar de tener que realizar esos
clculos aproximados para cada par de valores y , la propiedad anterior permite
emplear las tablas de la N(0; 1) para obtener la funcin de distribucin de
cualquier normal.
Ejercicio 1:
La vida media de una lmpara, segn el fabricante, es de 68 meses, con una
desviacin tpica de 5. Se supone que se distribuye segn una distribucin
normal En un lote de 10.000 lmparas. a) Cuntas lmparas superarn
previsiblemente los 75 meses?. b) Cuntos lmparas se estropearn antes de 60
meses?



a)
t = (75 -68)/5 = 1,4
P (X > 75) = (t > 1,4) = 1 - P (t 1,4) = 1 - 0,9192 = 0,0808
Luego, el 8,08% de las lmparas (808 lmparas) superarn los 75 meses
b)
t = (60 -68)/5 = -1,6
P (X 60) = (t -1,6) = P (t> 1,6) = 1 - P (t 1,6) = 0,0548
Luego, el 5,48% del lote (548 lmparas) no llegarn probablemente a durar 60
meses
Ejercicio 2
El consumo medio bimestral de energa elctrica en una ciudad es de 59 Kwh.,
con una desviacin tpica de 6 Kwh. Se supone que se distribuye segn una
distribucin normal. a) Cuntos Kwh. tendra que consumir bimestralmente para
pertenecer al 5% de la poblacin que ms consume?. b) Si usted consume 45
Kwh. qu % de la poblacin consume menos que usted?
a) Buscamos en la tabla el valor de la variable tipificada cuya probabilidad
acumulada es el 0,95 (95%), por lo que por arriba estara el 5%
restante. Este valor corresponde a t = 1,645. Ahora calculamos la variable
normal X equivalente a ese valor de la normal tipificada:
1,645 = (X -59)/6 X = 67,87
Por lo tanto, tendra usted que consumir ms de 67,87 Kwh. bimestralmente para
pertenecer al 5% de la poblacin que ms consume


b) Vamos a ver en que nivel de la poblacin se situara usted en funcin de los
45 Kwh. consumidos.
Calculamos el valor de la normal tipificada correspondiente a 45 Kwh.
t = (45 -59)/9 = -2.333
P (X 45) = P (t -2,333) = P (t > 2,333) = 1 - P (t 2,333) = 1 - 0,9901 = 0,0099
Luego, tan slo un 1,39% de la poblacin consume menos que usted.
TABLA DE DISTRIBUCION NORMAL




Distribucin normal estndar
N(0, 1)
La distribucin normal estndar, o ti pificada o reducida, es aquel la
que tiene por media el valor cero, = 0, y por desviacin tpica la
unidad, =1.
Su funcin de densidad es:

Su grfica es:

La probabilidad de la variable X depender del rea del recinto
sombreado en la figura. Y para calcularl a utili zaremos una tabla.
Tipificacin de la variable
Para poder utili zar l a tabla tenemos que transformar la variable X que
si gue una distribucin N(, ) en otra variable Z que siga una
distribucin N(0, 1).





TABLA DE DISTRIBUCIN NORMAL ESTANDAR



Distribuciones de las variables discretas y continuas




Integrantes
Jeferson Galvan Pretelt
Ricardo Guazo Espinosa
Luis Fernando Caro
Domingo Aldana Noel



Asignatura:
Estadstica I



Docente:
Sandra Gutierrez



Universidad de Cartagena
Facultad de ciencias econmicas
Administracin Industrial III



Cartagena de Indias
2013