Anda di halaman 1dari 31
UNIVERSIDAD NACIONAL DE TRUJILLO FACULTAD DE INGENIERÍA ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA MECÁNICA

UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE INGENIERÍA

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA MECÁNICA

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA MECÁNICA TEMA: DISTRIBUCIONES DE PROBABILIDAD CURSO: ELABORACIÓN
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA MECÁNICA TEMA: DISTRIBUCIONES DE PROBABILIDAD CURSO: ELABORACIÓN
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA MECÁNICA TEMA: DISTRIBUCIONES DE PROBABILIDAD CURSO: ELABORACIÓN
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA MECÁNICA TEMA: DISTRIBUCIONES DE PROBABILIDAD CURSO: ELABORACIÓN
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA MECÁNICA TEMA: DISTRIBUCIONES DE PROBABILIDAD CURSO: ELABORACIÓN
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA MECÁNICA TEMA: DISTRIBUCIONES DE PROBABILIDAD CURSO: ELABORACIÓN
TEMA: DISTRIBUCIONES DE PROBABILIDAD CURSO: ELABORACIÓN DE PROYECTOS PROFESOR: Mg. ZAVALETA VALVERDE, Hugo CICLO:
TEMA:
DISTRIBUCIONES DE
PROBABILIDAD
CURSO:
ELABORACIÓN DE PROYECTOS
PROFESOR:
Mg. ZAVALETA VALVERDE, Hugo
CICLO:
IX
PROFESOR: Mg. ZAVALETA VALVERDE, Hugo CICLO: IX ESTUDIANTES: AMARO GUTIÉRREZ, Jordan AYALA DIONICIO,
ESTUDIANTES: AMARO GUTIÉRREZ, Jordan AYALA DIONICIO, Nelson MOYA DELGADO, Gustavo
ESTUDIANTES:
AMARO GUTIÉRREZ, Jordan
AYALA DIONICIO, Nelson
MOYA DELGADO, Gustavo
16/06/14
16/06/14
ÍNDICE INTRODUCCIÓN 3 DISTRIBUCIONES DE PROBABILIDADES 4 CONCEPTOS PRELIMINARES 4 1. VARIABLES
ÍNDICE INTRODUCCIÓN 3 DISTRIBUCIONES DE PROBABILIDADES 4 CONCEPTOS PRELIMINARES 4 1. VARIABLES
ÍNDICE INTRODUCCIÓN 3 DISTRIBUCIONES DE PROBABILIDADES 4 CONCEPTOS PRELIMINARES 4 1. VARIABLES
ÍNDICE INTRODUCCIÓN 3 DISTRIBUCIONES DE PROBABILIDADES 4 CONCEPTOS PRELIMINARES 4 1. VARIABLES

ÍNDICE

INTRODUCCIÓN

3

DISTRIBUCIONES DE PROBABILIDADES

4

CONCEPTOS PRELIMINARES

4

1. VARIABLES ALEATORIAS

4

1.1. VARIABLE ALEATORIA

4

1.2. TIPOS DE VARIABLES ALEATORIAS

5

2. DISTRIBUCIÓN DE PROBABILIDAD

5

2.1. Distribución de probabilidad discreta

6

2.2. Distribución de probabilidad continua

6

3. FUNCIÓN DE DISTRIBUCIÓN ACUMULADA

7

4. PARÁMETROS DE UNA VARIABLE ALEATORIA

9

4.1. Esperanza matemática para una variable aleatoria discreta

9

4.2. Esperanza matemática para una variable aleatoria continua

9

4.3. Varianza de una variable aleatoria

10

4.4. Covarianza

10

DISTRIBUCIONES DISCRETAS

11

DISTRIBUCIONES DE BERNOULLI

11

DISTRIBUCIÓN BINOMIAL

12

DISTRIBUCIÓN HIPERGEOMÉTRICA

14

DISTRIBUCION DE GEOMÉTRICA

16

DISTRIBUCION DE POISSON

17

DISTRIBUCIONES CONTINUAS

20

DISTRIBUCION NORMAL

20

DISTRIBUCIÓN EXPONENCIAL

25

Teorema Central del Límite

27

INTRODUCCIÓN Una de las preocupaciones de los científicos ha sido construir modelos de distribuciones de
INTRODUCCIÓN Una de las preocupaciones de los científicos ha sido construir modelos de distribuciones de

INTRODUCCIÓN

Una de las preocupaciones de los científicos ha sido construir modelos de distribuciones de probabilidad que pudieran representar el comportamiento teórico de diferentes fenómenos aleatorios que aparecían en el mundo real. La pretensión de modelar lo observable ha constituido siempre una necesidad básica para el científico empírico, dado que a través de esas construcciones teóricas, los modelos, podía experimentar sobre aquello que la realidad no le permitía. Por otra parte, un modelo resulta extremadamente útil, siempre que se corresponda con la realidad que pretende representar o predecir, de manera que ponga de relieve las propiedades más importantes del mundo que nos rodea, aunque sea a costa de la simplificación que implica todo modelo.

En el presente trabajo, se estudia de manera ágil los diversos tipos de distribución probabilística y caracterizaremos cada distribución.

DISTRIBUCIONES DE PROBABILIDADES CONCEPTOS PRELIMINARES 1. VARIABLES ALEATORIAS 1.1. VARIABLE ALEATORIA Definición:
DISTRIBUCIONES DE PROBABILIDADES CONCEPTOS PRELIMINARES 1. VARIABLES ALEATORIAS
DISTRIBUCIONES DE PROBABILIDADES
CONCEPTOS PRELIMINARES
1. VARIABLES ALEATORIAS

1.1. VARIABLE ALEATORIA

Definición:

Función que asocia un número real a cada resultado del espacio muestral de un experimento aleatorio.

Las Variables Aleatorias se denotan con una letra mayúscula, (X,Y,etc) y los valores puntuales que asumen con una letra minúscula (x,y,etc); Ejemplo: P(X=x) (Probabilidad de que la variable X asuma el valor x).

El conjunto de los posibles valores de la variable aleatoria X recibe el nombre de rango de X.

Algunos ejemplos son: número de caras obtenidas al lanzar seis veces una moneda, número de llamadas que recibe un teléfono durante una hora, tiempo de falla de un componente eléctrico, etc.

Ejemplo 1:

Normalmente, los resultados posibles (espacio muestral S) de un experimento aleatorio no son valores numéricos. Por ejemplo, si un experimento consiste en lanzar de modo ordenado tres monedas al aire, para observar el número de caras (c) y sellos (s) que se obtienen, el espacio muestral asociado a dicho experimento aleatorio sería:

E = {ccc, ccs,csc,css,scc,scs,ssc,sss}

En Cálculo de Probabilidades resulta más fácil utilizar valores numéricos en lugar de trabajar directamente con los elementos de un espacio muestral como el anterior.

Así, se prefiere identificar los sucesos {css,scs,ssc} con el valor numérico 1 que representa el número de caras obtenidas al realizar el experimento.

De este modo, aparece el concepto de variable aleatoria unidimensional como el de una función
De este modo, aparece el concepto de variable aleatoria unidimensional como el de una función
De este modo, aparece el concepto de variable aleatoria unidimensional como el de
una función
X : S → R
e → X(e)
que a cada punto muetral e del espacio muestral S, le atribuye un único número
real, X(e).

En el ejemplo anterior, se puede definir la variable aleatoria X = número de caras, del siguiente modo:

X : S → R

X (ccc) = 3

X

(ccs) = X (csc) = X (scc) = 2

X

(ssc) = X (scs) = X (css) = 1

X (sss) = 0

1.2. TIPOS DE VARIABLES ALEATORIAS

Las variables aleatorias se clasifican en discretas y continuas:

DISCRETA: Una Variable Aleatoria Discreta es una variable con un rango finito (o infinito contable), es decir, si se puede contar su conjunto de resultados posibles. Ejemplo: Nº de Unidades Defectuosas, Nº de Accidentes Laborales al año, Nº de Paradas por Fallas Mecánicas, etc.

CONTINUA: Una Variable Aleatoria Continua es una variable cuyos valores asignados pueden ser cualesquiera, dentro de ciertos intervalos, es decir, puede tomar cualquier valor Real. Por ejemplo, si consideramos el experimento aleatorio consistente en medir el nivel de agua en un embalse y tomamos la variable aleatoria X=”nivel de agua”, esta puede tomar valores entre 0 y más infinito.

2. DISTRIBUCIÓN DE PROBABILIDAD

Es un modelo teórico que describe la forma en que varían los resultados de un experimento aleatorio, es decir, nos da todas las probabilidades de todos los posibles resultados que podrían obtenerse cuando se realiza un experimento aleatorio. Se clasifican como discretas o continuas. En la distribución de probabilidad discreta está permitido tomar sólo un número limitado de valores. En la continua, llamada función de densidad, la variable que se está considerando puede tomar cualquier valor dentro de un intervalo dado.

2.1. Distribución de probabilidad discreta Definición: La función f (x) = P(X=x), definida, para el
2.1. Distribución de probabilidad discreta Definición: La función f (x) = P(X=x), definida, para el
2.1. Distribución de probabilidad discreta
Definición: La función f (x) = P(X=x), definida, para el conjunto de valores positivos
de la variable aleatoria discreta X al intervalo [0,1] recibe el nombre de función de
probabilidad.
Para una variable Aleatoria X, la función de probabilidad o función masa de
probabilidad f (x) satisface las siguientes propiedades:

a) P (X=xi) = f (xi)

b)

c)

d) Si xi no es uno de los valores que puede tomar X, entonces f(xi) = 0.

f (x) ≥ 0

para toda x

1

La representación gráfica de la función de masa de probabilidad se realiza mediante un diagrama de barras análogo al de distribución de frecuencias relativas para variables discretas en Estadística Descriptiva.

Del ejemplo anterior donde se considera el caso del lanzamiento de 3 monedas de forma que cada una de ellas tenga probabilidad 1/2 de obtener el resultado de cara o sello, se tiene que:

f(3) = P [X = 3] = P [{CCC}] = 1/2 ·1/2 ·1/2 = 1/8 f(2) = P [X = 2] = P [{SCC, CCS,CSC}] = 1/8 + 1/8 + 1/8 = 3/8 f(1) = P [X = 1] = P [{SSC,SCS,CSS}] = 1/8 + 1/8 + 1/8 = 3/8 f(0) = P [X = 0] = P [{SSS}] = 1/2 ·1/2 · 1/2 = 1/8

Así la distribución de probabilidad viene dada por:

x

0

1

2

3

f(x)

1/8

3/8

3/8

1/8

2.2. Distribución de probabilidad continua

Si la variable aleatoria es continua, hay infinitos valores posibles de la variable y entre cada dos de esos posibles se podrían definir infinitos valores. En estas condiciones no es posible deducir la probabilidad de un valor puntual de la variable como se puede hacer en el caso de las variables discretas. Pero sí es posible calcular la probabilidad acumulada hasta un cierto valor (función de distribución) y cómo cambia esa probabilidad acumulada en cada punto (densidad de probabilidad). Por tanto, cuando la variable aleatoria sea continua hablaremos de función de densidad.

Sea X una variable aleatoria continua, se llama función de densidad y se representa como
Sea X una variable aleatoria continua, se llama función de densidad y se representa como
Sea X una variable aleatoria continua, se llama función de densidad y se representa
como f(x) a una función no negativa definida sobre la recta real, tal que para
cualquier intervalo que estudiemos se verifica:
a) 0
b)
1
c)

3. FUNCIÓN DE DISTRIBUCIÓN ACUMULADA

La función de distribución Acumulada describe el comportamiento probabilístico de una variable aleatoria X asociada a un experimento aleatorio y se representa como:

F(x) ó Fx

Para estudiar la función de distribución distinguiremos entre el caso discreto y el caso continuo.

CASO DISCRETO

La función de distribución acumulada de una variable aleatoria discreta X asociada a un espacio probabilístico, denotada por F(x), es:

Para una variable aleatoria discreta X, F(x) satisface las propiedades siguientes:

a) F(x) = P(X ≤ x) =

b) 0 ≤ F(x) ≤ 1

c) Si x ≤ y, entonces F(x) ≤ (y)

Ejemplo: Continuando con el ejemplo 1, cuya distribución de probabilidad era:

x

0

1

2

3

f(x)

1/8

3/8

3/8

1/8

(0 caras, 1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8),

Calcula la probabilidad de obtener menos dos caras.

Para resolver el problema lo que debemos de calcular es la probabilidad de que la
Para resolver el problema lo que debemos de calcular es la probabilidad de que la
Para resolver el problema lo que debemos de calcular es la probabilidad de que la
variable aleatoria tome valores inferiores a dos. Esto viene dado por la expresión
F (1) = P( X < 2 )= P( X ≤ 1 ) = P( X = 0) + P( X = 1) = 1/8 + 3/8 = 4/8
Calcular la probabilidad de obtener 0, 1, 2, 3:

F(0) = P [X ≤ 0] = P [X = 0] = f(0) = 1/8 F(1) = P [X ≤ 1] = f(0) + f(1) = 1/8 + 3/8 = 4/8 F(2) = P [X ≤ 2] = f(0) + f(1) + f(2) = 1/8+3/8+3/8 = 7/8 F(3) = P [X ≤ 3] = f(0) + f(1) + f(2) + f(3) = 1/8+3/8+3/8+1/8 = 8/8 = 1

CASO CONTINUO

Sea X una variable aleatoria continua con función de densidad f(x), se define la función de distribución, F(x), como:

F(x) = P(X≤x) =

para –∞ < x < ∞

Ejemplo: Sea X una variable aleatoria cuya función de densidad viene dada por f (X), calcular su función de distribución:

f (x )=

X/2

0 ≤ x ≤ 2

0

en otro caso

Calculamos la función de distribución, obteniendo

$

0

$

2

"

4

por lo tanto, la función de distribución será:

F(X) =

0 x < 0

/4

1

0≤ x ≤2

x>2

4. PARÁMETROS DE UNA VARIABLE ALEATORIA En esta sección estudiaremos, de manera análoga a las
4. PARÁMETROS DE UNA VARIABLE ALEATORIA En esta sección estudiaremos, de manera análoga a las
4. PARÁMETROS DE UNA VARIABLE ALEATORIA
En esta sección estudiaremos, de manera análoga a las variables estadísticas, algunos
parámetros de que van a resumir numéricamente las distribuciones de las variables
aleatorias, distinguiendo como siempre, para el caso discreto y continuo.
4.1. Esperanza matemática para una variable aleatoria discreta

Dada una variable aleatoria X que toma valores x 1 , x 2 , x 3

probabilidad, se define la esperanza matemática de una variable aleatoria como:

x n con distribución de

)

)

& ' (

Ejemplo: Continuando con el ejemplo anterior, cuya distribución de probabilidad era:

X

0

1

2

3

f(x)

1/8

3/8

3/8

1/8

El resultado será:

*

( 0. 8 1. 8 2. 8 3. 8 12

1

3

3

1

8

3

2

$

4.2. Esperanza matemática para una variable aleatoria continua

Sea X una variable aleatoria continua con función de densidad f(x), se define la esperanza matemática de esa variable aleatoria como:

(

.

&

Tanto para el caso discreto como para el caso continuo, la esperanza matemática presenta las siguientes propiedades:

Si C es una constante, E(C) = C a, b R, E(aX + b) = aE(X) + b Si g(X) es una función de X, entonces:

Si X es discreta, (12 3

2

2

. Si X es continua, (12 3 2 Si X 1 , , X n
. Si X es continua, (12 3 2 Si X 1 , , X n
.
Si X es continua, (12 3
2
Si X 1 ,
, X n son variables aleatorias, entonces ( ∑
)
)
(
4.3. Varianza de una variable aleatoria
A continuación vamos a definir la varianza de una variable aleatoria diferenciando
para el caso discreto y continuo. Dada una variable aleatoria X que toma valores x 1 ,
x 2 , x 3
x n con distribución de probabilidad, se define la varianza de X:

Discreta:

Continua:

4 5 ' ( &

)

&

4 5 '

.

&

v

)

&

Ejemplo: Continuando con el ejemplo anterior, cuya distribución de probabilidad era:

x

0

1

2

3

f(x)

1/8

3/8

3/8

1/8

Calcula la varianza.

El resultado será:

4

5 '

)

1

3

3

1

3

& 10 . 8 1 . 8 2 . 8 3 . 8 0.75

2

Propiedades de la Varianza y la Esperanza matemática:

Sea X una variable aleatoria e Y otra variable aleatoria tal que Y = a X + b, entonces siempre se verifica:

( 9

:( ;

4 9 : 4

Si X e Y son independientes, entonces E [XY] = E [X]. E [Y]

4.4. Covarianza

Sean X e Y dos variables aleatorias, se define la covarianza entre estas dos variables como,

Cov = E [X]. E [Y] - E [XY] donde el cálculo de las esperanzas
Cov = E [X]. E [Y] - E [XY] donde el cálculo de las esperanzas
Cov = E [X]. E [Y] - E [XY]
donde el cálculo de las esperanzas dependerá de si las variables son discretas o
continuas. De esta definición surge el siguiente resultado. Cuando X, Y son
independientes la covarianza es igual a 0.
E [XY] = E [X]. E [Y], entonces
Cov = E [X]. E [Y] - E [XY] = E [X]. E [Y] - E [X]. E [Y] = 0

DISTRIBUCIONES DISCRETAS

DISTRIBUCIONES DE BERNOULLI

Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos soluciones: acierto o fracaso:

Cuando es acierto la variable toma el valor 1 Cuando es fracaso la variable toma el valor 0

Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale); probabilidad de ser admitido en una universidad (o te admiten o no te admiten); probabilidad de acertar una quiniela (o aciertas o no aciertas)

Al haber únicamente dos soluciones se trata de sucesos complementarios:

A la probabilidad de éxito se le denomina "p"

A la probabilidad de fracaso se le denomina "q"

Verificándose que:

Ejemplos:

p + q = 1

Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire:

Probabilidad de que salga cara: p = 0,5 Probabilidad de que no salga cara: q = 0,5

p + q = 0,5 + 0,5 = 1

Ejemplo 2: Probabilidad de ser admitido en la universidad:

Probabilidad de ser admitido: p = 0,25

Probabilidad de no ser admitido: q = 0,75 p + q = 0,25 + 0,75
Probabilidad de no ser admitido: q = 0,75 p + q = 0,25 + 0,75
Probabilidad de no ser admitido: q = 0,75
p + q = 0,25 + 0,75 = 1
Ejemplo 3: Probabilidad de acertar una quiniela:
Probabilidad de acertar: p = 0,00001
Probabilidad de no acertar: q = 0,99999
p + q = 0,00001 + 0,99999 = 1

La esperanza matemática o valor medio de esta distribución se calcula:

Y la varianza se define como:

DISTRIBUCIÓN BINOMIAL

& ( <

5 ' 4 < 1 <

Es una de las distribuciones de mayor aplicación en el ámbito industrial. A través de la Binomial se modelan procesos de muestreo de aceptación por lotes (si se clasifica al producto como defectuoso o no defectuoso), estudios de mercado o de nivel de aceptación de un candidato.

Características del Proceso Binomial o Bernoulli

El procedimiento consiste en una serie de “n” ensayos repetidos (“n” es fijo).

Cada ensayo es independiente, de modo que la probabilidad de ocurrencia de uno de los ensayos no afecta la probabilidad de ocurrencia del ensayo siguiente.

Cada ensayo puede resultar en un éxito con probabilidad p o en un fracaso con probabilidad q=1-p. Esta característica de dualidad o dicotomía es clave para identificar un proceso Binomial (El éxito no está necesariamente relacionado con algo bueno, es arbitrario y lo fija el investigador dependiendo de cómo defina la variable. Por ejemplo si mi variable es número de respuestas malas en un examen de verdadero o falso, cada respuesta incorrecta representa un éxito para el investigador)

Las probabilidades de éxito permanecen constante a lo largo del experimento.

NOTA: Es útil la revisión de la teoría de Eventos Independientes como base para la comprensión del proceso Binomial.

La Variable Aleatoria Binomial: La Variable aleatoria discreta X que representa el número de éxitos
La Variable Aleatoria Binomial: La Variable aleatoria discreta X que representa el número de éxitos
La Variable Aleatoria Binomial:
La Variable aleatoria discreta X que representa el número de éxitos en “n” ensayos fijos que
resultan de un proceso Binomial o Bernoulli se denomina Variable aleatoria Binomial y su
distribución de probabilidad es:
n
 
x
n
x
b
(
x n
,
,
p
)
=
P
(
X
=
x
)
=
p
q
;
x
= 0,1,2,
,
n
 
x

Dónde:

X representa la V.A Binomial: Número de éxitos en “n” intentos. p: Probabilidad de éxito (permanece constante a lo largo del experimento). q=1-p: Probabilidad de que ocurra un fracaso, es la probabilidad complementaria de p n: Número de ensayos

=

)

> es el número combinatorio: = )

>

)!

! ) !

Nota: La Variable aleatoria x y la probabilidad del éxito están relacionados. P Depende de la definición de la Variable Si la Variable es número de artículos defectuosos, entonces p es la probabilidad de seleccionar un artículo defectuoso en un ensayo cualquiera. Si la Variable es número de unidades buenas, entonces p es la probabilidad de seleccionar un artículo bueno en un ensayo cualquiera

Ejemplo: se tira una moneda 10 veces: ¿cuántas caras salen? Si no ha salido ninguna la variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la variable toma el valor 10

Ejemplo 1: ¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?

"x" es el número de aciertos. En este ejemplo " x " igual a 6 (en cada acierto decíamos que la variable toma el valor 1: como son 6 aciertos, entonces x = 6) "n" es el número de ensayos. En nuestro ejemplo son 10 "p" es la probabilidad de éxito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p = 0,5

La fórmula quedaría:

Luego,

6 A 10 B ∗ 0.5 D 1 0.5 $ D

6

P (x = 6) = 0,205

Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda.

Ejemplo 2: ¿Cuál es la probabilidad de obtener cuatro veces el número 3 al lanzar
Ejemplo 2: ¿Cuál es la probabilidad de obtener cuatro veces el número 3 al lanzar
Ejemplo 2: ¿Cuál es la probabilidad de obtener cuatro veces el número 3 al lanzar un dado ocho
veces?
"x" (número de aciertos) toma el valor 4
"n" toma el valor 8
"p" (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666)
La fórmula queda:
8

4 A 4 B ∗ 0.166 E 1 0.166 F E

Luego,

P (x = 4) = 0,026

Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el números 3 al tirar un dado 8 veces.

La esperanza matemática o valor medio de la distribución binomial se calcula:

Y la Varianza se define como:

& ( G<

5 ' 4 G< 1 G<

DISTRIBUCIÓN HIPERGEOMÉTRICA

La distribución hipergeométrica es el modelo que se aplica en experimentos del siguiente tipo:

En una caja hay bolas de dos colores (blancas y negras), ¿cuál es la probabilidad de que al sacar 2 bolas las dos sean blancas?

Son experimentos donde, al igual que en la distribución binomial, en cada ensayo hay tan sólo dos posibles resultados: o sale blanca o no sale. Pero se diferencia de la distribución binomial en que los distintos ensayos son dependientes entre sí:

Si en una caja con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay dependencia entre los distintos ensayos).

La distribución hipergeométrica sigue el siguiente modelo:

H= I J

>∗=

)

K

I

>L

=

I ) >

Dónde: M ! A M B ! M ! M M ! A G B
Dónde: M ! A M B ! M ! M M ! A G B
Dónde:
M !
A M B
! M !
M
M !
A
G
B
G ! M G !
M!
A M B
G
G! M G !

Así:

N: es el número total de bolas en la caja N 1 : es el número total de bolas blancas N 2 : es el número total de bolas negras x: es el número de bolas blancas cuya probabilidad se está calculando n: es el número de ensayos que se realiza

Veamos un ejemplo:

En una caja hay 7 bolas blancas y 5 negras. Se sacan 4 bolas ¿Cuál es la probabilidad de que 3 sean blancas?

Entonces:

N

= 12; N1 = 7; N2 = 5; x = 3; n = 4

Si

aplicamos el modelo:

3 H=

* N >∗= O >L

=

E

>

Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%.

Pero este modelo no sólo se utiliza con experimentos con bolas, sino que también se aplica con experimentos similares:

Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar ¿Cuál es la probabilidad de que las 3 sean solteras?

3 H= D

*

=

$

* >

$

>∗= E >L

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas sean solteras es tan sólo del 1,75%.

La esperanza matemática o valor medio de la distribución hipergeometrica se calcula: & ( G<
La esperanza matemática o valor medio de la distribución hipergeometrica se calcula: & ( G<
La esperanza matemática o valor medio de la distribución hipergeometrica se calcula:
& ( G<
De donde p = k/n, proporción de éxitos en el conjunto del cual se toma la muestra.
Y la varianza se define como:
5 ' 4 G< 1 G<

DISTRIBUCION DE GEOMÉTRICA

Considérese un experimento aleatorio que está muy relacionado con el que se empleó para definir una Distribución Binomial. De nuevo, supóngase una serie de ensayos Bernoulli independientes con una probabilidad constante de éxito p en cada ensayo. Sin embargo, en lugar de tener un número fijo de ensayos, ahora éstos se realizan hasta que se obtiene un éxito. Sea X el número de ensayos realizados hasta obtener el primer éxito.

Ejemplos:

Hemos visto que si se tira una moneda (con p = P(cara)) n veces, entonces el número de caras se distribuye como binomial.

Consideramos otro experimento relacionado. ¿Vamos a seguir tirando la moneda hasta que veamos la primera cara? ¿Cuántas tiradas necesitamos?

Sea X el número de tiradas.

Luego

P(X = 1)

=

p

P(X = 2)

=

(1 − p) p

3 1 < <

=

1 < <

La distribución de X se llama la distribución geométrica, dado lo cual se genera la definición:

Definición: En una serie de ensayos Bernoulli independientes, con una probabilidad constante p de éxito, sea la variable X el número de ensayos realizados hasta la obtención del primer éxito. Entonces X tiene una distribución geométrica con parámetro p y

;< 1 < <

;

1,2, …

La Esperanza Matemática o valor medio de la distribución de Poisson se calcula: & (
La Esperanza Matemática o valor medio de la distribución de Poisson se calcula: & (
La Esperanza Matemática o valor medio de la distribución de Poisson se calcula:
& ( 1/<
Y la Varianza se define como:
5 ' 4 1 < /<
Ejemplo

La probabilidad de que una muestra de aire contenga una molécula extraña es 0.01. Si se supone que las muestras son independientes con respecto a la presencia de la molécula extraña, ¿Cuál es la probabilidad de que sea necesario analizar exactamente 125 muestras antes de detectar una molécula extraña?

Sea X el número de muestras analizadas hasta que se detecta la presencia de la molécula extraña. Entonces X es una variable geométrica con p = 0.01. La probabilidad pedida es:

125 0.99 E 0.01 0.0029

DISTRIBUCION DE POISSON

Una variable de tipo poisson cuenta ‚éxitos (es decir, objetos de un tipo determinado) que ocurren en una región del espacio o del tiempo. El experimento que la genera debe cumplir las siguientes condiciones:

1. El número de éxitos que ocurren en cada región del tiempo o del espacio es independiente de lo que ocurra en cualquier otro tiempo o espacio disjunto del anterior.

2. La probabilidad de un ‚éxito en un tiempo o espacio pequeño es proporcional al tamaño de este y no depende de lo que ocurra fuera de él.

3. La probabilidad de encontrar uno o más ‚éxitos en una región del tiempo o del espacio tiende a cero a medida que se reducen las dimensiones de la región en estudio.

Como consecuencia de estas condiciones, las variables Poisson típicas son variables en las que se cuentan sucesos raros.

La función de probabilidad de una variable Poisson es:

V

T U ! ; 0,1, … , ∞ , T

2,71828

El parámetro de la distribución es λ que es igual a la media y a la varianza de la variable.

, ∞ , T 2, 71828 … El parámetro de la distribución es λ que es
Esta característica puede servirnos para identificar a una variable Poisson en casos en que se
Esta característica puede servirnos para identificar a una variable Poisson en casos en que se
Esta característica puede servirnos para identificar a una variable Poisson en casos en que se
presenten serias dificultades para verificar los postulados de definición.
La distribución de Poisson se puede considerar como el límite al que tiende la distribución
binomial cuando n tiende a y p tiende a 0 (P < 0.1), siendo np constante (y menor que 10); en
esta situación sería difícil calcular probabilidades en una variable binomial y, por tanto, se utiliza
una aproximación a través de una variable Poisson con media λ = n p.

" p " < 0,10 " p * n " < 10

La esperanza matemática o valor medio de la distribución de Poisson se calcula:

Y la varianza se define como:

Ejemplo:

&

( V G<

5 ' 4 V G<

La contaminación es un problema en la fabricación de discos de almacenamiento óptico. El número de particular contaminante que aparece en un disco óptico tiene una distribución Poisson, y el número promedio de partículas por centímetro cuadrado de superficie del medio de almacenamiento es 0,1. El área de un disco bajo estudio es 100 centímetros cuadrados.

a) Encuéntrese la probabilidad de encontrar 12 partículas en el área del disco.

b) Encuéntrese la probabilidad de que no haya partículas contaminantes en el área del disco.

Solución:

a) Sea X: el número de partículas en el área del disco. Dado que el número promedio de partículas es 0,1 de éstas por cm2,

E(X) = 100 cm2 x 0,1 partículas/cm2

Por consiguiente,

Así

= 10 partículas

10

12 T $ 12! 0,095

0 T $ 4,54 10 O

Si consideramos la distribución de Poisson como el límite al que tiende la distribución binomial
Si consideramos la distribución de Poisson como el límite al que tiende la distribución binomial
Si consideramos la distribución de Poisson como el límite al que tiende la distribución binomial se
puede utilizar de la siguiente manera:
" λ " = n * p (es decir, el número de veces " n " que se realiza el experimento multiplicado por la
probabilidad " p " de éxito en cada ensayo)
" x " es el número de éxito cuya probabilidad se está calculando
Veamos un ejemplo:

La probabilidad de tener un accidente de tráfico es de 0,02 cada vez que se viaja, si se realizan 300 viajes, ¿cuál es la probabilidad de tener 3 accidentes?

Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces aplicamos el modelo de distribución de Poisson.

Luego,

3 T D

6 *

3!

P (x = 3) = 0,0892

Por lo tanto, la probabilidad de tener 3 accidentes de tráfico en 300 viajes es del 8,9%

Otro ejemplo:

La probabilidad de que un niño nazca pelirrojo es de 0,012. ¿Cuál es la probabilidad de que entre 800 recién nacidos haya 5 pelirrojos?

Luego,

5 T X,D 9,6 5! O

P (x = 5) = 4,602

Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recién nacidos es del 4,6%.

La Esperanza Matemática o valor medio de la distribución de Poisson se calcula:

Y la Varianza se define como:

&

( V G<

5 ' 4 V G<

DISTRIBUCIONES CONTINUAS DISTRIBUCION NORMAL Es el modelo de distribución más utilizado en la práctica, ya
DISTRIBUCIONES CONTINUAS DISTRIBUCION NORMAL Es el modelo de distribución más utilizado en la práctica, ya
DISTRIBUCIONES CONTINUAS
DISTRIBUCION NORMAL
Es el modelo de distribución más utilizado en la práctica, ya que multitud de fenómenos se
comportan según una distribución normal.

Esta distribución se caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno a un valor central que coincide con el valor medio de la distribución:

central que coincide con el valor medio de la distribución: Un 50% de los valores están

Un 50% de los valores están a la derecha de este valor central y otro 50% a la izquierda. Esta distribución viene definida por dos parámetros:

X: N ( , ,,,

Y Z )

[ \ : es el valor medio de la distribución y es precisamente donde se sitúa el centro de la curva (de la campana de Gauss).

Z

: es la varianza. Indica si los valores están más o menos alejados del valor central: si la varianza es baja los valores están próximos a la media; si es alta, entonces los valores están muy dispersos.

Y

\

Cuando la media de la distribución es 0 y la varianza es 1 se denomina "normal estándar", y su ventaja reside en que hay tablas donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribución.

Además, toda distribución normal se puede transformar en una normal estándar:

Ejemplo: una variable aleatoria sigue el modelo de una distribución normal con media 10 y varianza 4. Transformarla en una normal estándar.

X: N (10, 4)

Para transformarla en una normal estándar se crea una nueva variable (Z) que será igual
Para transformarla en una normal estándar se crea una nueva variable (Z) que será igual
Para transformarla en una normal estándar se crea una nueva variable (Z) que será igual a la
anterior (X) menos su media y dividida por su desviación estándar (que es la raíz cuadrada de la
varianza)
] &
5
' $
En el ejemplo, la nueva variable sería:
]

Esta nueva variable se distribuye como una normal estandarizada, permitiéndonos, por tanto, conocer la probabilidad acumulada en cada valor.

Z: N (0, 1)

La distribución normal estándar tiene la ventaja, como ya hemos indicado, de que las probabilidades para cada valor de la curva se encuentran recogidas en una tabla.

Z

0,00

0,01

0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

0,0

0,5000

0,5040

0,5080

0,5120

0,5160

0,5199

0,5239

0,5279

0,5319

0,5359

0,1

0,5398

0,5438

0,5478

0,5517

0,5557

0,5596

0,5636

0,5675

0,5714

0,5723

0,2

0,5793

0,5832

0,5871

0,5910

0,5948

0,5987

0,6026

0,6064

0,6103

0,6141

0,3

0,6179

0,6217

0,6255

0,6293

0,6331

0,6368

0,6406

0,6443

0,6480

0,6517

0,4

0,6554

0,6591

0,6628

0,6664

0,6700

0,6736

0,6772

0,6808

0,6844

0,6879

0,5

0,6915

0,6950

0,6985

0,7019

0,7054

0,7088

0,7123

0,7157

0,7090

0,7224

0,6

0,7257

0,7291

0,7324

0,7357

0,7389

0,7422

0,7454

0,7486

0,7517

0,7549

0,7

0,7580

0,7611

0,7642

0,7673

0,7704

0,7734

0,7764

0,7794

0,7813

0,7852

0,8

0,7881

0,7910

0,7939

0,7967

0,7995

0,8023

0,8051

0,8078

0,8106

0,8133

0,9

0,8159

0,8186

0,8212

0,8238

0,8264

0,8289

0,8315

0,8340

0,8365

0,8389

1,0

0,8416

0,8438

0,8461

0,8485

0,8508

0,8531

0,8554

0,8577

0,8599

0,8621

1,1

0,8643

0,8665

0,8686

0,8708

0,8729

0,8749

0,8770

0,8790

0,8810

0,8830

1,2

0,8849

0,8869

0,8888

0,8907

0,8925

0,8944

0,8962

0,8980

0,8997

0,9015

1,3

0,9032

0,9049

0,9066

0,9082

0,9099

0,9115

0,9131

0,9147

0,9162

0,9177

1,4

0,9192

0,9207

0,9222

0,9236

0,9251

0,9265

0,9279

0,9292

0,9306

0,9319

1,5

0,9332

0,9345

0,9357

0,9370

0,9382

0,9394

0,9406

0,9418

0,9429

0,9441

1,6

0,9452

0,9463

0,9474

0,9484

0,9495

0,9505

0,9515

0,9525

0,9535

0,9545

1,7

0,9554

0,9564

0,9573

0,9582

0,9591

0,9599

0,9608

0,9616

0,9625

0,9633

1,8

0,9641

0,9649

0,9656

0,9664

0,9671

0,9678

0,9686

0,9693

0,9699

0,9706

1,9

0,9713

0,9719

0,9726

0,9732

0,9738

0,9744

0,9750

0,9756

0,9761

0,9767

2,0

0,97725

0,97778

0,97831

0,97882

0,97932

0,97982

0,98030

0,98077

0,98124

0,98169

2,1

0,98214

0,98257

0,98300

0,98341

0,98382

0,98422

0,98461

0,98500

0,98537

0,98574

2,2

0,98610

0,98645

0,98679

0,98713

0,98745

0,98778

0,98809

0,98840

0,98870

0,98899

2,3

0,98928

0,98956

0,98983

0,99010

0,99036

0,99061

0,99086

0,99111

0,99134

0,99158

2,4

0,99180

0,99202

0,99224

0,99245

0,99266

0,99286

0,99305

0,99324

0,99343

0,99361

2,5

0,99379

0,99396

0,99413

0,99430

0,99446

0,99461

0,99477

0,99492

0,99506

0,99520

2,6

0,99534

0,99547

0,99560

0,99573

0,99585

0,99598

0,99609

0,99621

0,99632

0,99643

2,7

0,99653

0,99664

0,99674

0,99683

0,99693

0,99702

0,99711

0,99720

0,99728

0,99736

2,8

0,99744

0,99752

0,99760

0,99767

0,99774

0,99781

0,99788

0,99795

0,99801

0,99807

2,9

0,99813

0,99819

0,99825

0,99831

0,99836

0,99841

0,99846

0,99851

0,99856

0,99861

¿Cómo se lee esta tabla? La columna de la izquierda indica el valor cuya probabilidad
¿Cómo se lee esta tabla? La columna de la izquierda indica el valor cuya probabilidad
¿Cómo se lee esta tabla?
La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer. La
primera fila nos indica el segundo decimal del valor que estamos consultando.
Ejemplo: queremos conocer la probabilidad acumulada en el valor 2,75. Entonces buscamos en la
columna de la izquierda el valor 2,7 y en la primera fila el valor 0,05. La casilla en la que se
interceptan es su probabilidad acumulada (0,99702, es decir 99.7%).

Atención: la tabla nos da la probabilidad acumulada, es decir, la que va desde el inicio de la curva por la izquierda hasta dicho valor. No nos da la probabilidad concreta en ese punto. En una distribución continua en el que la variable puede tomar infinitos valores, la probabilidad en un punto concreto es prácticamente despreciable.

Ejemplo: Imaginemos que una variable continua puede tomar valores entre 0 y 5. La probabilidad de que tome exactamente el valor 2 es despreciable, ya que podría tomar infinitos valores: por ejemplo: 1.99, 1.994, 1.9967, 1.9998, 1.999791, etc.

Veamos otros ejemplos:

Probabilidad acumulada en el valor 0,67: la respuesta es 0,7486 Probabilidad acumulada en el valor 1,35: la respuesta es 0,9115 Probabilidad acumulada en el valor 2,19: la respuesta es 0,98574

Veamos ahora, como podemos utilizar esta tabla con una distribución normal:

Ejemplo: el salario medio de los empleados de una empresa se distribuye según una distribución normal, con media 5 millones de BsF. y desviación estándar de 1 millón de BsF. Calcular el porcentaje de empleados con un sueldo inferior a 7 millones de BsF.

Lo primero que haremos es transformar esa distribución en una normal estándar, para ello se crea una nueva variable (Z) que será igual a la anterior (X) menos su media y dividida por la desviación estándar.

]

&

5

En el ejemplo, la nueva variable sería:

5

]

1

Esta nueva variable se distribuye como una normal estándar. La variable Z que corresponde a una variable X de valor 7 es:

7 5

]

1

2

Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a
Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a
Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a la
probabilidad de sueldos inferiores a 7 millones de BsF.). Esta probabilidad es 0,97725.
Por lo tanto, el porcentaje de empleados con salarios inferiores a 7 millones de BsF. es del
97,725%.
Ejercicio 1º: La renta media de los habitantes de un país es de 4 millones de $/año, con una
varianza de 1,5. Se supone que se distribuye según una distribución normal. Calcular:

a) Porcentaje de la población con una renta inferior a 3 millones de $.

b) Renta a partir de la cual se sitúa el 10% de la población con mayores ingresos.

c) Ingresos mínimo y máximo que engloba al 60% de la población con renta media.

Solución:

a) Porcentaje de la población con una renta inferior a 3 millones de $.

Lo primero que tenemos que hacer es calcular la normal estandarizada:

4

]

1,22

(*) Recordemos que el denominador es la desviación estándar (raíz cuadrada de la varianza)

El valor de Z equivalente a 3 millones de $ es -0,816.

P (X < 3) = P (Z < -0,816)

Ahora tenemos que ver cuál es la probabilidad acumulada hasta ese valor. Tenemos que considerar que la tabla de probabilidades sólo abarca valores positivos, no obstante, este problema tiene fácil solución, ya que la distribución normal es simétrica respecto al valor medio.

Por lo tanto:

P (Z < -0,816) = P (Z > 0,816)

Por otra parte, la probabilidad que hay a partir de un valor es igual a 1 (100%) menos la probabilidad acumulada hasta dicho valor:

P (Z > 0,816) = 1 - P (Z < 0,816) = 1 - 0,7925 (aprox.) = 0,2075

Luego, el 20,75% de la población tiene una renta inferior a 3 millones $.

b) Nivel de ingresos a partir del cual se sitúa el 10% de la población
b) Nivel de ingresos a partir del cual se sitúa el 10% de la población
b) Nivel de ingresos a partir del cual se sitúa el 10% de la población con renta más elevada.
Vemos en la tabla el valor de la variable estandarizada cuya probabilidad acumulada es el
0,9 (90%), lo que quiere decir que por encima se sitúa el 10% superior.
Ese valor corresponde a Z = 1,282 (aprox.). Ahora calculamos la variable normal X
equivalente a ese valor de la normal estándar:
4

1,282

1,22

Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a 5,57 millones de $ constituyen el 10% de la población con renta más elevada.

c) Nivel de ingresos mínimo y máximo que engloba al 60% de la población con renta media

Vemos en la tabla el valor de la variable estándar Z cuya probabilidad acumulada es el 0,8 (80%). Como sabemos que hasta la media la probabilidad acumulada es del 50%, quiere decir que entre la media y este valor de Z hay un 30% de probabilidad.

Por otra parte, al ser la distribución normal simétrica, entre -Z y la media hay otro 30% de probabilidad. En definitiva, el segmento (-Z, Z) engloba al 60% de población con renta media.

El valor de Z que acumula el 80% de la probabilidad es 0,842 (aprox.), por lo que el segmento viene definido por (-0,842, +0,842). Ahora calculamos los valores de la variable X correspondientes a estos valores de Z.

Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos superiores a 2,97 millones de $ e inferiores a 5,03 millones de $ constituyen el 60% de la población con un nivel medio de renta.

Ejercicio 2º: La vida media de los habitantes de un país es de 68 años, con una varianza de 25. Se hace un estudio en una pequeña ciudad de 10.000 habitantes:

a) ¿Cuántas personas superarán previsiblemente los 75 años?

b) ¿Cuántos vivirán menos de 60 años?

Solución: a) Personas que vivirán (previsiblemente) más de 75 años Calculamos el valor de la
Solución: a) Personas que vivirán (previsiblemente) más de 75 años Calculamos el valor de la
Solución:
a) Personas que vivirán (previsiblemente) más de 75 años
Calculamos el valor de la normal estándar equivalente a 75 años
75 68
]
1,4
5
Por lo tanto

P (X > 75) = (Z > 1,4) = 1 - P (Z < 1,4) = 1 - 0,9192 = 0,0808

Luego, el 8,08% de la población (808 habitantes) vivirán más de 75 años.

b) Personas que vivirán (previsiblemente) menos de 60 años

Calculamos el valor de la normal tipificada equivalente a 60 años

Por lo tanto

60 68

]

5

1,6

P (X < 60) = (Z < -1,6) = P (Z > 1,6) = 1 - P (Z < 1,6) = 0,0548

Luego, el 5,48% de la población (548 habitantes) no llegarán probablemente a esta edad.

DISTRIBUCIÓN EXPONENCIAL

Esta distribución se utiliza como modelo para la distribución de tiempos entre la presentación de eventos sucesivos.

Existe un tipo de variable aleatoria que obedece a una distribución exponencial la cuál se define como EL TIEMPO QUE OCURRE DESDE UN INSTANTE DADO HASTA QUE OCURRE EL PRIMER SUCESO.

Se dice que una variable aleatoria continua tiene una distribución exponencial con parámetro λ > 0 si:

Su función de densidad es: Su esperanza o valor esperado es: Su varianza es: Su
Su función de densidad es: Su esperanza o valor esperado es:
Su función de densidad es:
Su esperanza o valor esperado es:

Su varianza es:

es: Su esperanza o valor esperado es: Su varianza es: Su función de distribución acumulada es:

Su función de distribución acumulada es:

Su varianza es: Su función de distribución acumulada es: Sea X una distribución exponencial, entonces: P(X

Sea X una distribución exponencial, entonces: P(X > a+t | X > a)=P( X >t )

Supongamos que la duración de cierto componente en estado sólido X es exponencial. Entonces la probabilidad de que X dure t unidades después de haber durado a unidades es la misma que la probabilidad de que X dure t unidades cuando X estaba nuevo.

Suponga que el tiempo de respuesta X en cierta terminal de computadora en línea (el tiempo transcurrido entre el fin de la consulta del usuario y el principio de la respuesta del sistema a esa consulta) tiene una distribución exponencial con tiempo esperado de respuesta igual a 5 s. ¿Cuál es la probabilidad de que el tiempo de respuesta sea a lo sumo 10 s?

Datos:

E ( X ) = 1 / λ = 5 seg.

así

λ =0.2

Obteniendo la distribución acumulada:

10 1 T $. $ 1 T 0.865

10 10 0.865

La probabilidad de que el tiempo de respuesta esté entre 5 y 10s es: 5
La probabilidad de que el tiempo de respuesta esté entre 5 y 10s es: 5
La probabilidad de que el tiempo de respuesta esté entre 5 y 10s es:
5 10 10 5 1 T 1 T 0.233
Relación con el proceso de Poisson
La relación viene de que con el uso de la distribución de Poisson encontramos que la
probabilidad de que no ocurra algún evento, en el periodo hasta el tiempo t está dada por:
evento, en el periodo hasta el tiempo t está dada por: La probabilidad de que la

La probabilidad de que la duración del tiempo hasta el primer evento exceda x es la misma que la probabilidad de que no ocurra algún evento de Poisson en x, está dado por:

Entonces:

algún evento de Poisson en x, está dado por: Entonces: T Y la función de distribución

T

Y la función de distribución acumulada está dada por:

0 =1 T U >

Obteniendo la función de densidad:

VT U

la cual es la función de densidad exponencial.

Comparación

La distribución de Poisson en un experimento nos dice la frecuencia con la que puede ocurrir un determinado error y la exponencial nos dice luego de que evento-tiempo ocurre este error.

Teorema Central del Límite

El Teorema Central del Límite dice que si tenemos un grupo numeroso de variables independientes y todas ellas siguen el mismo modelo de distribución (cualquiera que éste sea), la suma de ellas se distribuye según una distribución normal.

Ejemplo: la variable "tirar una moneda al aire" sigue la distribución de Bernoulli. Si lanzamos
Ejemplo: la variable "tirar una moneda al aire" sigue la distribución de Bernoulli. Si lanzamos
Ejemplo: la variable "tirar una moneda al aire" sigue la distribución de Bernoulli. Si lanzamos la
moneda al aire 50 veces, la suma de estas 50 variables (cada una independiente entre sí) se
distribuye según una distribución normal.
Este teorema se aplica tanto a suma de variables discretas como de variables continuas.
Los parámetros de la distribución normal son:
Media: n*
(media
de
la
variable
individual
multiplicada
por
el
número
de
variables

independientes)

Varianza: n* 2222 (varianza individuales)

de

Veamos un ejemplo:

la variable

individual

multiplicada por el

número de

variables

Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale cruz el valor 0. Cada lanzamiento es una variable independiente que se distribuye según el modelo de Bernoulli, con media 0,5 y varianza 0,25.

Calcular la probabilidad de que en estos 100 lanzamientos salga más de 60 caras.

La variable suma de estas 100 variables independientes se distribuye, por tanto, según una distribución normal.

Para

estandarizada equivalente:

ver

la

probabilidad

de

Media = 100 * 0,5 = 50 Varianza = 100 * 0,25 = 25

que

salgan

más

de

60

caras

60 50

]

5,0

2,00

calculamos

la

variable

normal

(*) 5 es la raíz cuadrada de 25, o sea la desviación típica de esta distribución

Por lo tanto:

P (X > 60) = P (Z > 2,0) = 1- P (Z < 2,0) = 1 - 0,9772 = 0,0228

Es decir, la probabilidad de que al tirar 100 veces la moneda salga más de 60 caras es tan sólo del

2,28%

Ejercicio 1: La renta media de los habitantes de un país se distribuye uniformemente entre
Ejercicio 1: La renta media de los habitantes de un país se distribuye uniformemente entre
Ejercicio 1: La renta media de los habitantes de un país se distribuye uniformemente entre 4,0
millones $ y 10,0 millones de $. Calcular la probabilidad de que al seleccionar al azar a 100
personas la suma de sus rentas supere los 725 millones $.
Cada renta personal es una variable independiente que se distribuye según una función uniforme.
Por ello, a la suma de las rentas de 100 personas se le puede aplicar el Teorema Central del
Límite.
La media y varianza de cada variable individual es:

= (4 + 10 ) / 2 = 7 2 = (10 - 4)^2 / 12 = 3

Por tanto, la suma de las 100 variables se distribuye según una normal cuya media y varianza son:

Media: n * Varianza: n *

= 100 * 7 = 700 2 = 100 * 3 = 300

Para calcular la probabilidad de que la suma de las rentas sea superior a 725 millones $, comenzamos por calcular el valor equivalente de la variable normal tipificada:

Luego:

725 700

]

17,3

1,44

P (X > 725) = P (Z > 1,44) = 1 - P (Z < 1,44) = 1 - 0,9251 = 0,0749

Es decir, la probabilidad de que la suma de las rentas de 100 personas seleccionadas al azar supere los 725 millones de pesetas es tan sólo del 7,49%

Ejercicio 2: En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada clase es del 10%. A lo largo del año tienes 100 clases de esa asignatura. ¿Cuál es la probabilidad de tener que salir a la pizarra más de 15 veces?

Se vuelve a aplicar el Teorema Central del Límite.

Salir a la pizarra es una variable independiente que sigue el modelo de distribución de Bernoulli:

"Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10 "No salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9

La media y la varianza de cada variable independiente es: = 0,10 2 = 0,10
La media y la varianza de cada variable independiente es: = 0,10 2 = 0,10
La media y la varianza de cada variable independiente es:
= 0,10
2 = 0,10 * 0,90 = 0,09
Por tanto, la suma de las 100 variables se distribuye según una normal cuya media y varianza son:
Media: n * = 100 * 0,10 = 10
Varianza: n * 2 = 100 * 0,09 = 9

Para calcular la probabilidad de salir a la pizarra más de 15 veces, calculamos el valor equivalente de la variable normal tipificada:

Luego:

15 10

]

3,0

1,67

P (X > 15) = P (Z > 1,67) = 1 - P (Z < 1,67) = 1 - 0,9525 = 0,0475

Es decir, la probabilidad de tener que salir más de 15 veces a la pizarra a lo largo del curso es tan sólo del 4,75%.

Ejercicio 3: Un día visitamos el Casino y decidimos jugar en la ruleta. Nuestra apuesta va a ser siempre al negro y cada apuesta de 500 ptas. Llevamos 10.000 ptas. y queremos calcular que probabilidad tenemos de que tras jugar 80 veces consigamos doblar nuestro dinero.

Cada jugada es una variable independiente que sigue el modelo de distribución de Bernoulli.

"Salir negro", le damos el valor 1 y tiene una probabilidad del 0,485 "No salir negro", le damos el valor 0 y tiene una probabilidad del 0,515

(*) La probabilidad de "no salir negro" es mayor ya que puede salir rojo o el cero

La media y varianza de cada variable individual es:

= 0,485 2 = 0,485 * 0,515 = 0,25

A la suma de las 80 apuestas se le aplica el Teorema Central del Límite, por lo que se distribuye según una normal cuya media y varianza son:

Media: n * = 80 * 0,485 = 38,8 Varianza: n * 2 = 80
Media: n * = 80 * 0,485 = 38,8 Varianza: n * 2 = 80
Media: n * = 80 * 0,485 = 38,8
Varianza: n *
2 = 80 * 0,25 = 20
Para doblar nuestro dinero el negro tiene que salir al menos 20 veces más que el rojo (20 * 500 =
10.000), por lo que tendrá que salir como mínimo 50 veces (implica que el rojo o el cero salgan
como máximo 30 veces).
Comenzamos por calcular el valor equivalente de la variable normal tipificada:

Luego:

]

50 38,8

4,5

2,50

P (X > 50) = P (Z > 2,50) = 1 - P (Z < 2,50) = 1 - 0,9938 = 0,0062

Es decir, la probabilidad de doblar el dinero es tan sólo del 0,62% (así, que más vale que nos pongamos a trabajar).