UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

FACULTAD DE INGENIERA
DEPARTAMENTO DE ESTADSTICA
ESTADSTICA 1 SECCIN P

_Investigacin Distribucin de
Probabilidad

Nombre:

Lesly Mayrena Boche Hernndez

Carn:

2002 - 12656

Profesor(a):

Ing. Hector Galeros

Fecha:

03 de enero de 2016

VARIABLES DISCRETAS
DISTRIBUCIN BINOMIAL:

n es el nmero de pruebas.
x es el nmero de xitos.
p es la probabilidad de xito.
1-p q es la probabilidad de fracaso.
El nmero combinatorio

Un experimento sigue el modelo de la distribucin binomial o de Bernoulli si:

1. En cada prueba del experimento slo son posibles dos resultados: el suceso A (xito) y su
contrario.
2. La probabilidad del suceso A es constante, es decir, que no vara de una prueba a otra. Se
representa por p.
3. El resultado obtenido en cada prueba es independiente de los resultados obtenidos
anteriormente.
La distribucin binomial se suele representar por B(n, p).
n es el nmero de pruebas de que consta el experimento.
p es la probabilidad de xito.
La probabilidad de es 1 p, y la representamos por q.
Variable aleatoria binomial:
La variable aleatoria binomial, X, expresa el nmero de xitos obtenidos en cada prueba del
experimento. La variable binomial es una variable aleatoria discreta, slo puede tomar los
valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas.
Ejemplo: La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el 80% de
los lectores ya la han ledo. Un grupo de 4 amigos son aficionados a la lectura:
1. Cul es la probabilidad de que en el grupo hayan ledo la novela 2 personas?
b(2; 4, 0.8) p = 0.8 q = 0.2

DISTRIBUCIN GEOMTRICA:

x es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.
Distribucin geomtrica o de Pascal:
Es un modelo adecuado para aquellos procesos en los que se repiten pruebas hasta la
consecucin del xito a resultado deseado y tiene interesantes aplicaciones en los muestreos
realizados de esta manera. Tambin implica la existencia de una dicotoma de posibles
resultados y la independencia de las pruebas entre s.
El proceso consta de un nmero no definido de pruebas o experimentos separados o
separables. El proceso concluir cuando se obtenga por primera vez el resultado deseado
(xito).
Ejemplo: Los registros de una compaa constructora de pozos, indican que la probabilidad de
que uno de sus pozos nuevos, requiera de reparaciones en el trmino de un ao es de 0.20.
Cul es la probabilidad de que el quinto pozo construido por esta compaa en un ao dado
sea el primero en requerir reparaciones en un ao?
Solucin:
x = 5 que el quinto pozo sea el primero que requiera reparaciones en un ao
p = 0.20 = probabilidad de que un pozo requiera reparaciones en el trmino de un ao
q = 0.80 = probabilidad de que un pozo no requiera reparaciones en el trmino de un ao

p(x = 5) =

DISTRIBUCIN HIPERGEOMTRICA:

N es la poblacin finita.
M poblacin de donde se extrae los xitos.
x es la cantidad de xitos.
n es la cantidad de la muestra.

Las suposiciones que conducen a la distribucin hipergeomtrica son las siguientes:

1. La poblacin o conjunto que se va a muestrear se compone de N individuos, objetos o
elementos (una poblacin finita).
2. Cada individuo puede ser caracterizado como xito (E) o falla (F) y hay M xitos en la
poblacin.
3. Se selecciona una muestra de n individuos sin reemplazo de tal modo que cada subconjunto
de tamao n es igualmente probable de ser seleccionado.
Una muestra completamente aleatoria N extrada de la poblacin compuesta de M xitos y (NM) fallas, entonces la distribucin de probabilidad de X llamada distribucin hipergeomtrica.
Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar
Cul es la probabilidad de que las 3 sean solteras?

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

DISTRIBUCIN DE POISSON:

parmetro de tendencia central de la distribucin y representa el nmero promedio o cantidad

esperada de ocurrencias (xitos) del evento aleatorio por unidad de medida o por muestra.
e = 2.71828 y x = Nmero de ocurrencias especficas para el cual se desea conocer la probabilidad
respectiva.

Criterios o propiedades:
1. Se da un intervalo de medida que divide un todo de nmeros reales y donde el conteo de
ocurrencias es aleatorio. Esa divisin puede ser un subintervalo de medida.
2. El nmero de ocurrencias de resultados en el intervalo subintervalo de medida, es
independiente de los dems intervalos subintervalos. Por eso se dice que el proceso de
Poisson no tiene memoria.
3. La probabilidad de que un solo resultado ocurra en un intervalo de medida muy corto
pequeo es la misma para todos los dems intervalos de igual tamao y es proporcional a la
longitud del mismo al tamao de medida.
4. La probabilidad de que ms de un resultado ocurra en un intervalo subintervalo corto es
tan pequea que se considera insignificante (cercana o igual a cero).
Ejemplo:
La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que
entre 800 recin nacidos haya 5 pelirrojos?

Luego,
P (x = 5) = 4,602
Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recin nacidos es del 4,6%.

DISTRIBUCIN BINOMIAL NEGATIVA:

k = nmero de xitos
x = nmero de ensayos para obtener r xitos
p = xito
q = fracaso
Esta distribucin puede considerarse como una extensin o ampliacin de la distribucin geomtrica . La
distribucin binomial negativa es un modelo adecuado para tratar aquellos procesos en los que se repite
un determinado ensayo o prueba hasta conseguir un nmero determinado de resultados favorables (por
vez primera) .Es por tanto de gran utilidad para aquellos muestreos que procedan de esta manera. Si el
nmero de resultados favorables buscados fuera 1 estaramos en el caso de la distribucin geomtrica .
Est implicada tambin la existencia de una dicotoma de resultados posibles en cada prueba y la
independencia de cada prueba o ensayo, o la reposicin de los individuos muestreados.

Esta distribucin o modelo puede hacerse derivar de un proceso experimental puro o de

Bernouilli en el que se presenten las siguientes condiciones:
El proceso consta de un nmero no definido de pruebas separadas o separables. El proceso
concluir cuando se obtenga un determinado nmero de resultados favorables K
Cada prueba puede dar dos resultados posibles mutuamente excluyentes A y no A
La probabilidad de obtener un resultado A en cada una de las pruebas es p siendo la
probabilidad de no A, q . Lo que nos lleva a que p+q=1
Las probabilidades p y q son constantes en todas las pruebas. Todas las pruebas son
independientes. Si se trata de un experimento de extraccin ste se llevar cabo con
devolucin del individuo extrado, a no ser que se trate de una poblacin en la que el nmero
de individuos tenga de carcter infinito.
Ejemplo: Los registros de una compaa constructora de pozos, indican que la probabilidad de
que uno de sus pozos nuevos, requiera de reparaciones en el trmino de un ao es de 0.20. a)
Cul es la probabilidad de que el sexto pozo construido por esta compaa en un ao dado sea
el segundo en requerir reparaciones en un ao?
k = 6 pozos
r = 2 pozos que requieren reparaciones en un ao
p = p(pozo requiera reparaciones en un ao) = 0.20
q = p(pozo no requiera reparaciones en un ao) = 0.80

p(Y = 6) =

DISTRIBUCIN MULTINOMIAL:

X1 = x1: indica que el suceso X1 aparezca x1 veces

n: indica el nmero de veces que se ha repetido el suceso
n!: es factorial de n
p1: es la probabilidad del suceso X1
El atributo calidad de un producto se puede dar como: Excelente, bueno, regular y malo.
1. Son pruebas ensayos repetidos e idnticos (con reposicin).
2. En cada prueba ensayo se pueden producir k resultados.
3. Las probabilidades de cada uno de los k resultados (p1, p2, , pk) permanecen constantes en
todas las pruebas o ensayos.
4. Son pruebas o ensayos independientes.
5. El inters se centra en contar los X1, X2, , Xk xitos que se producen en los n ensayos de
cada una de las k categoras posibles de observar cada vez.
Ejemplo
Se sabe que las bombas de gasolina para autos existentes en el mercado se pueden clasificar
en:
de rendimiento excelente

de rendimiento bueno

de rendimiento regular
de rendimiento malo
Se selecciona una muestra de

.
.
bombas mediante proceso aleatorio.

Cul ser la probabilidad de que quede conformada por:

DISTRIBUCIN HIPERGEOMTRICA MULTIVARIADA:

X1 = x1: indica que el suceso X1 aparezca x1 veces

N1: indica el nmero de bolas blancas que hay en la urna
N: es el nmero total de bolas en la urna
n: es el nmero total de bolas que se extraen
La distribucin hipergeomtrica multivariante H(N,m,p1,...,pn) es una generalizacin de la
distribucin hipergeomtrica. Proporciona probabilidades de extraer x1 bolas del color 1, x2
bolas del color 2,...y xn bolas del color n de una urna en la que hay N1,...Nn bolas de colores
diferentes (N=N1++Nn). Realizamos m extracciones sin reposicin
, y consideramos las
variables, Xi, nmero de bolas extradas de color i (i = 1, 2, ..., n). La variable n-dimensional (X1,
X2, ..., Xn) sigue una distribucin hipergeomtrica multivariante de parmetros N, m, p1, ..., pn,
donde
, es decir, la proporcin de bolas de color i-simo (i= 1, 2,..,n) en la primera
extraccin.
NOTA: Si las extracciones se hiciesen con reposicin entonces se tratara de una distribucin
multinomial.
Ejemplo:
En una caja de lpices hay 10 de color amarillo, 3 de color azul y 4 de color rojo. Se extraen 7
lpices, cul es la probabilidad de que 5 sean amarillos y 2 rojos?
Aplicamos el modelo:

Luego
P = 0,0777
Por lo tanto, la probabilidad de que los 5 lpices sean de los colores indicados es del 7,77%.

VARIABLES CONTINUAS
DISTRIBUCIN UNIFORME:

b: es el extremo superior
a: es el extremo inferior
La distribucin Uniforme es el modelo (absolutamente) continuo ms simple. Corresponde al
caso de una variable aleatoria que slo puede tomar valores comprendidos entre dos extremos
a y b, de manera que todos los intervalos de una misma longitud (dentro de (a, b)) tienen la
misma probabilidad. Tambin puede expresarse como el modelo probabilstico
correspondiente a tomar un nmero al azar dentro de un intervalo (a, b).
De la anterior definicin se desprende que la funcin de densidad debe tomar el mismo valor
para todos los puntos dentro del intervalo (a, b) (y cero fuera del intervalo).
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 NORMAL:

Para transformarla en una normal tipificada se crea una nueva variable (Y) que ser igual a la
anterior (X) menos su media y dividida por su desviacin tpica (que es la raz cuadrada de la
varianza)

Importancia de la distribucin Normal:

a) Enorme nmero de fenmenos que puede modelizar: Casi todas las caractersticas
cuantitativas de las poblaciones muy grades tienden a aproximar su distribucin a una
distribucin normal.
b) Muchas de las dems distribuciones de uso frecuente, tienden a distribuirse segn una
Normal, bajo ciertas condiciones.
c) (En virtud del teorema central del lmite).Todas aquellas variables que pueden considerarse
causadas por un gran nmero de pequeos efectos (como pueden ser los errores de medida)
tienden a distribuirse segn una distribucin normal.
La probabilidad de cualquier intervalo se calculara integrando la funcin de densidad a lo largo
de ese de intervalo, pero no es necesario nunca resolver la integral pues existen tablas que nos
evitan este problema.
Ejemplo: el salario medio de los empleados de una empresa se distribuye segn una
distribucin normal, con media 5 millones de ptas. y desviacin tpica 1 milln de ptas. Calcular
el porcentaje de empleados con un sueldo inferior a 7 millones de ptas.

En el ejemplo, la nueva variable sera:

Esta nueva variable se distribuye como una normal tipificada. La variable Y que corresponde a
una variable X de valor 7 es:
Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a la
probabilidad de sueldos inferiores a 7 millones de ptas.). Esta probabilidad es 0,97725
Por lo tanto, el porcentaje de empleados con salarios inferiores a 7 millones de ptas. es del
97,725%.

DISTRIBUCIN NORMAL ESTANDAR:

La distribucin normal estndar, o tipificada o reducida, es aquella que tiene por media el valor
cero, = 0, y por desviacin tpica la unidad, =1.

Tipificacin de la variable:
Para poder utilizar la tabla tenemos que transformar la variable X que sigue una distribucin
N(, ) en otra variable Z que siga una distribucin N(0, 1) y las probabilidades para cada valor
de la curva se encuentran recogidas en una tabla.

Ejemplo: La renta media de los habitantes de un pas es de 4 millones de ptas/ao, con una
varianza de 1,5. Se supone que se distribuye segn una distribucin norma, calcular el porcentaje
de la poblacin con una renta inferior a 3 millones de ptas.
Lo primero que tenemos que hacer es calcular la normal tipificada:

(*) Recordemos que el denominador es la desviacin tpica (raz cuadrada de la varianza)

El valor de Y equivalente a 3 millones de ptas es -0,816.
P (X < 3) = P (Y < -0,816)
Ahora tenemos que ver cul es la probabilidad acumulada hasta ese valor. Tenemos un
problema: la tabla de probabilidades slo abarca valores positivos, no obstante, este problema
tiene fcil solucin, ya que la distribucin normal es simtrica respecto al valor medio.
Por lo tanto:
P (Y < -0,816) = P (Y > 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 (Y > 0,816) = 1 - P (Y < 0,816) = 1 - 0,7925 (aprox.) = 0,2075
Luego, el 20,75% de la poblacin tiene una renta inferior a 3 millones ptas.

DISTRIBUCIN EXPONENCIAL:

Como vemos este modelo depende de un nico parmetro que debe ser positivo: > 0.
Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en los siguientes
casos:
Distribucin del tiempo de espera entre sucesos de un proceso de Poisson
Distribucin del tiempo que transcurre hasta que se produce un fallo, si se cumple la condicin
que la probabilidad de producirse un fallo en un instante no depende del tiempo transcurrido.
Aplicaciones en fiabilidad y teora de la supervivencia.
A pesar de la sencillez analtica de sus funciones de definicin, la distribucin exponencial tiene
una gran utilidad prctica ya que podemos considerarla como un modelo adecuado para la
distribucin de probabilidad del tiempo de espera entre dos hechos que sigan un proceso de
Poisson. De hecho la distribucin exponencial puede derivarse de un proceso experimental de
Poisson con las mismas caractersticas que las que enuncibamos al estudiar la distribucin de
Poisson, pero tomando como variable aleatoria, en este caso, el tiempo que tarda en
producirse un hecho, obviamente, entonces, la variable aleatoria ser continua.
Ejemplo:
Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en aos est
dado por la variable aleatoria T, distribuida exponencialmente con tiempo promedio de falla
. S 5 de estos componentes se instalan en diferentes sistemas, cul es la probabilidad de
que al menos 2 continen funcionando despus de 8 aos?
La probabilidad de que un determinado componente est funcionando an despus de 8 aos
es:
la | nos indica que la integral se va a evaluar desde 8 hasta
Sea x el nmero de componentes funcionando despus de 8 aos. Entonces mediante la
distribucin Binomial,
n=5
p = 0.20 = probabilidad de que un componente est funcionando despus de 8 aos
q = 1-p = 0.80 = probabilidad de que un componente no funcione despus de 8 aos
P(x 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 p(x = 0, 1)

DISTRIBUCIN GAMMA:

La funcin (p) es la denominada funcin Gamma de Euler que representa la siguiente integral:

Que verifica (p + 1) = p(p), con lo que, si p es un nmero entero positivo, (p + 1) = p!

Propiedades de la distribucin Gamma

Su esperanza es p.
Su varianza es p2
La distribucin Gamma (, p = 1) es una distribucin Exponencial de parmetro . Es decir, el
modelo Exponencial es un caso particular de la Gamma con p = 1.
Dadas dos variables aleatorias con distribucin Gamma y parmetro comn
X ~ G(, p1) y Y ~ G(, p2)
se cumplir que la suma tambin sigue una distribucin Gamma
X + Y ~ G(, p1 + p2).
Una consecuencia inmediata de esta propiedad es que, si tenemos k variables aleatorias con
distribucin Exponencial de parmetro (comn) e independientes, la suma de todas ellas
seguir una distribucin G(, k).
Ejemplo: Suponga que el tiempo, en horas, que toma reparar una bomba es una variable
aleatoria x que tiene una distribucin gamma con parmetros a = 2 y b = 1/2. Cul es la
probabilidad de que en el siguiente servicio tome cuando mucho 1 hora reparar la bomba?

DISTRIBUCIN BETA:

La distribucin de probabilidad beta es una funcin de densidad con dos parmetros definida
en el intervalo cerrado 0 <= y <= 1. Se utiliza frecuentemente como modelo para fracciones, tal
como la proporcin de impurezas en un producto qumico o la fraccin de tiempo que una
maquina estn en reparacin.

Ejemplo 6: La proporcin media de tubos defectuosos es del 20%. Dicha proporcin se

modeliza como una b(p,8). Calcular p.
Sabemos que E(X)=0.2 = p / (p+8), de donde p=2.

DISTRIBUCIN DE WEIBULL:

La distribucin de Weibull (Weibull, 1939) es una distribucin triparamtrica, abreviadamente

descrita como W(x0,b,a), con funcin de densidad

y de distribucin

Propuesta inicialmente para estudiar la resistencia de los materiales a la rotura, hoy da se

emplea en Control de calidad y en fiabilidad de sistemas.

La variable
es una exponencial negativa de parmetro 1, e(1).
Existe una distribucin de Weibull estndar, W(0,1,a).
Los momentos de X se obtienen sin dificultad a partir de los de Y.