FACULTAD DE INGENIERA
DEPARTAMENTO DE ESTADSTICA
ESTADSTICA 1 SECCIN P
_Investigacin Distribucin de
Probabilidad
Nombre:
Carn:
2002 - 12656
Profesor(a):
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
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.
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:
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%.
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.
p(Y = 6) =
DISTRIBUCIN MULTINOMIAL:
de rendimiento bueno
de rendimiento regular
de rendimiento malo
Se selecciona una muestra de
.
.
bombas mediante proceso aleatorio.
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:
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)
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:
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:
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.
DISTRIBUCIN DE WEIBULL:
y de distribucin
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.