Uniforme discreta
Binomial
Hipergeomtrica
Geomtrica
Binomial Negativa
Poisson
Solucin
La variable que representa el nmero del tema seleccionado para el examen sigue una
distribucin uniforme con parmetros a=1 y b=50. La persona aprueba el examen si le
toca un tema del 1 al 35; por tanto, la probabilidad que se pide es la cola a la izquierda
de 35.
Uniforme discreta (a,b)
a=Valor mnimo 1
b=Valor mximo 50
Punto K 35 estudio
Punto N 15 no estudio
Probabilidad Pr [ X=k ] =
Valor m nimo a 1
= = =0.02
Valor m ximo b 50
Punto K
K 35
= = =0. 7
Valor m ximo b 50
Punto N
N 15
= = =0.3
Valor m ximo b 50
P(x)=C x p q
nx
Donde:
x :0, 1, 2,... , n , x significa numero de triunfos
Parmetros:
n :n mero de pruebas , n>0 entero
Cnx =
n!
( nx ) ! x !
n !=n ( n1 ) ( n2 ) 2 1 , 0!=1
Caractersticas:
Media=esperanza matematica==np
Varianza= = npq
Ejercicio 1
Si la prueba es el lanzamiento de una moneda se tiene
P (cara) = 1/2 = P y P (sello) = 1/2 = q
La probabilidad de obtener 2 caras en 4 lanzamientos ser:
x=2, n=4, p=1/2, q=1 /2
P ( x=2 )=C 42
1
2
1 2
=6 (1/2)4 =0.375
2
( )( )
Ejercicio 2
Un tratamiento de cierta enfermedad tiene una posibilidad de 0.6 de aliviar todos los
signos y sntomas; determinar la probabilidad que de 6 pacientes tratados, curen
exactamente 2.
P=0.6, q=2/6=0.3 0.4
6
P ( x 2 ) =0.17
Para 100 pacientes se espera que mejoren:
=np=100 ( 0.6 ) =60 pacientes con varienza
= npq=100 ( 0.6 )( 0.4 )=4.89 5 pacientes
entero
entero
C
R
( k )(C
C
N
n
N R
nk
, k=exitos en lamuestra
p ( x=k ) =
Ejercicio 1
En una florera hay 20 variedades de flores, de las cuales 8 son diferentes clases de
rosas. Que probabilidad hay de que al extraer una muestra al azar de12 flores, se
k =xitos en la muestra=rosas=3
la probabilidad es:
R
( k )(C
C
N R
nk
N
n
8
3
208
123
20
12
(C )(C
C
C
) ( 56 ) (220)
=
=0.09780109375=0 .0978
125970
P ( x=3 ) =
p= probabilidad de xito
q= probabilidad de fracaso(1 p)
Ejemplo 1
Del salon el 60% de los alumnos son hombres, calcular probabilidad de extraer el 1er
hombre a la cuarta ocasin que extraemos un alumno.
q=0.40
P ( X=4 ) =( 0.40 )41 ( 0.60 )=( 0.40 )3 ( 0.60 )=0.0384
Ejemplo 2
Una maquina detecta fallas en los productos que elabora una fabrica. Si los productos
tienen una probabilidad de falla del 5%, calcular la probabilidad de que la maquina
encuentre su primer producto defectuoso en la octava ocasin que selecciona un
producto para su inspeccin.
Definir xito: salga defectuoso el producto.
X=8
p = 0.05
q = 1 - 0.05 = 0.95
P(X=8) = (0.95)7(0.05) = 0.0349
Ejemplo 3
En el saln hay 8 alumnos de ojos cafs, 9 de ojos azules, 7 de ojos negros, y 10 de ojos
verdes; si extraemos 6 alumnos, calcular la probabilidad de que este ltimo tenga los
ojos claros.
Definir xito: tenga ojos claros.
X =6
p=0.5588
q=10.5588=0.4412
P ( X=6 )=( 0.4412 ) 5 ( 0.5588 )=0.0093
Distribucin Binomial negativa (r,p)
Parmetros
p: probabilidad de xito , 0< p<1
q: posibilidad de fracaso
k :nmero de xitos , r 0
P ( X=x )= k + r1 pr q k ,
k 1
P ( X=x )= x1 pk (1 p) xk
k 1
( )
Ejercicio 1
Si la probabilidad de que un nio expuesto a una enfermedad contagiosa la contraiga es 0,40,
Cul es la probabilidad de que el dcimo nio expuesto a la enfermedad sea el tercero en
contraerla?
Solucin
103
7
P ( X=10 ) = 101 0.4 3 ( 10.4 ) = 9 0.43 ( 0.6 ) =0.0645
31
2
()
Ejercicio 2
En un proceso de manufactura se sabe que un promedio de 1 en cada 10 productos es
defectuoso, cual es la probabilidad que el quinto (5) articulo examinado sea el primero (1) en
estar defectuoso?
( )
()
p 0,01 .
x :0, 1, 2,...
Parmetros:
Lambda: media de la distribucin, lambda > 0
e = 2.71821
( np )
p ( x )=
(np)
x!
Ejemplo 1
Una compaa de seguros contra incendios, asegura 10,000 casa dispersas por todo lima
suponiendo la probabilidad de que una cosa cualquiera sea destruida por el juego,
n=10,000 P=
1
entonces np=2
5000
Tenemos
e(2) (2)0
p ( x=0 )=
=0.1353
0!
( 2)
p ( x=1 )=
p ( x=2 )=
(2)
=0.2706
1!
e( 2) (2)x
=0.2706
2!
Ejemplo 2
La posibilidad que un individuo sufra una reaccin por una inyeccin de un
determinado suero es 0.001, determine la probabilidad de que un total de 2000
individuos.
a) Exactamente 2 individuos sufran reaccin
b) Mas de 2 individuos tengan reaccin
n=2000, p=0.001,np=2
e2 22
(
)
a P x=2 =
=0.2706
2!
b P ( x >2 ) =1[ P ( x =0 ) + P ( x =1 )+ P ( x=2 ) ]
P ( x >2 )=1[
e2 20 e2 21 e2 22
+
+
]
0!
1!
2!
P ( x >2 )=10.6765=0.3235
La distribucin de poissn tiene muchas aplicaciones que no se relaciona con la
binomial, en este caso np= y se calcula la probabilidad de obtener x xitos por:
e x
(
)
P x=
con x=0,1,2,3,4 n ,
x!
Caractersticas:
Media=esperanza matemtica== ( promedio de exitos )
2
varianza= =
desviacion estandar=
Ejemplo 2
Uma empresa recibe un promedio de trez cheques sin fondos por dia, la probabilidad de
que reciba exctamente uno, un dia determinado es:
como =3 ( promedio )
3 1
3 1
e e 3
(
)
p x=1 =
=
=0.1493
1!
1!
DISTRIBUCION CONTINUAS
Las distribuciones continuas incluidas en el mdulo de Clculo de
probabilidades son:
Uniforme
Normal
Lognormal
Logstica
Beta
Gamma
Exponencial
Ji-cuadrado
Distribucin Uniforme
(a , b)
[0,1].
Y =F ( X )
Campo de variacin:
ax b
Parmetros:
f ( x )=
1
ba
Ejemplo 1
El precio medio del litro de gasolina durante el prximo ao se estima que puede oscilar
entre 140 y 160 ptas.
Donde:
b :es el extremo superior (en el ejemplo , 160 ptas .)
a :es el extremoinferior (en el ejemplo , 140 ptas .)
Por lo tanto, la funcin de distribucin del ejemplo sera:
f ( x )=
1
=0.05
160140
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:
E ( x )=
a+b
2
En el ejemplo:
E ( x )=
140+160
=150
2
Por lo tanto, el precio medio esperado de la gasolina para el prximo ao es de 150 ptas.
Ejemplo 2
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:
f ( x )=
1
=0.01
500400
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:
E ( x )=
400+500
=450
2
< x <
1
P ( x )=
e
2
(x )
2
2
funcion frobablidad
e=2.7182
=3.14159
Distribucin normal estandarizada
N ( X , , 2)
=0
N ( z , 0.1 )
a esta
1
P ( Z )=
e
2
dode Z=
Caractersticas
Media==0
Varianaza= 2=1
Desviacion estandr= =1
Ejercicio 1
Las notas de 188 estudiantes de magister de la universidad catlica del Per segn sus
notas en el siclo de verano 1988
DISTRIBUCION DE LOS ETTUDIANTES DE MAGISTER DE LA UNIVERSIDAD
CATOLICA SUS NOTAS VERANO 1988
N
Notas
Frecuencia relativa
(hi)
1.
055 060
57.5
07
0.037
2.
060 065
62.5
11
0.059
3.
065 070
67.5
15
0.080
4.
070 075
72.5
20
0.106
5.
075 080
77.5
26
0.138
6.
080 085
82.5
30
0.160
7.
085 090
87.5
26
0.138
8.
090 095
92.5
20
0.106
9.
065 100
97.5
15
0.080
10.
100 105
102.5
11
0.059
11.
105 110
107.5
07
0.037
x i n i = 15510 =82.5
N
188
(X i)2 ni = n X 2i ( Xi ni )
=
2
2=
= 157.4468=12.55
a) Determine la probabilidad de que:
i)
ii)
iii)
b)
i)
ii)
iii)
Solucin.
a:
i)
Z 1=
X 1 8582.5
=
=0.19
12.55
Z 2=
1
P ( Z=0.19 )=
2.72
2(3.1416)
1
P ( Z=0.9 )=
2.72
2 ( 3.1416 )
X 2 9082.5
=
=0.59
12.55
0.19
2
0.59
2
=0.0754
=0.2224
P( x >100) .-los estudiantes con natas mayores que 100 deben tener al
menos una nota de 100.5
Z=
X 100.582.5
=
=1.43
12.55
1
P ( Z=1.43 ) =
2.72
2 ( 3.1416 )
1.43
2
=0.4236
iii)
Z 1=
X 1 69.582.5
=
=1.03
12.55
Z 2=
X 1 70.582.5
=
=0.95
12.55
1
P ( Z=1.03 )
2.72
2 ( 3.1416 )
1.03
2
1
P ( Z=0.95 )=
2.72
2 ( 3.1416 )
=0.3485
0.95
2
=0.3289
b:
i)
ii)
iii)
El
0.75
=0.375
2
luego la
X 82.5
12.55
1 y
a 1
y
f ( x )=
( a+b ) a1
b1
x (1x ) o tambien f ( y )=
( a) ( b)
Media=
p
p +q
Varianza=
pq
( p +q+1 ) ( p+ q)2
Ejemplo 1
Un distribuidor de gasolina llena los tanques de depsito cada lunes. Se ha
observado que la cantidad que vende cada semana se puede modelar con la
distribucin beta con
a=4, b=2 .
f ( x )=f ( x ) =
( 4 +2 ) 41
x ( 1x )21
( 4) ( 2)
f ( x )=
(6 )
x 4 1 ( 1x )21
( 4 ) ( 2)
f ( x )=
5!
x 3 (1x )1
3! x1!
f ( x )=
5 x4 x3! 3
1
x ( 1x )
3! x1!
3
f ( x )=20 x ( 1x )
20 x3 ( 1x ) dx=20
0.9
5 x 44 x 5
=5 x 4 4 x 5
20
1
5
5( 4)4 ( 1 )
=1
para x=1
0.9
5
pra x =0.9 5( 4)4( 0.9 )= 0.91854
10.91854=0.08146
La probabilidad que Venda al menos el 90% del la gasolina es
0.08148 x 100=8.146
, x >0
Ejercicio2
Si un componente elctrico falla una vez cada 5 horas, cul es el tiempo medio que
transcurre hasta que fallan dos componentes? Cul es la probabilidad de que
transcurran 12 horas antes de que fallen los dos componentes?
=2
1 1 fallo
1 1
= =
entonces , = = =5 horas /1 fallo
5 horas
1 1
5
E ( x )= =2 5=10 horas
x
f ( x )=
1
x 21 e 5 , x> 0
2
5 ( 2)
f ( x )=
1 1 5
x e , x> 0
25
uv=
1
5 xe 5 5 e
25
12
1
x1 e
25 0
uv=
x
5
x
5
)]
12
1
dx
25 0
x
1
5 xe 5 25 e
25
12
1
25 0
x
xe 5
e
5
x
5
x
5
u=x
du=1
x
dv=e 5 v= e 5 dx=5 e
x
5
Reemplazamos
12e
5
12
5
12
5
)(
0
5
0e
e
5
0
5
=10.31=0.69
Distribucin Exponencial
Resulta que la exponencial es un caso especial de la distribucin gamma, ambas
tienen un gran nmero de aplicaciones. Las distribuciones exponencial y gamma
juegan un papel importante tanto en teora de colas como en problemas de
confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el
tiempo de falla de los componentes y sistemas elctricos, frecuentemente involucran
la distribucin exponencial. La relacin entre la gamma y la exponencial permite
que la distribucin gamma se utilice en tipos similares de problemas.
La variable aleatoria x tiene una distribucin exponencial, con parmetro b, si su
funcin de densidad es:
,x>0
donde b > 0
La media y la variancia de la distribucin exponencial son:
m=b y s 2=b 2
Relacin con el proceso de Poisson.
Las aplicaciones ms importantes de la distribucin exponencial son aquellas
situaciones en donde se aplica el proceso de Poisson , es necesario recordar que un
proceso de Poisson permite el uso de la distribucin de Poisson. Recurdese
tambin que la distribucin de Poisson se utiliza para calcular la probabilidad de
nmeros especficos de eventos durante un perodo o espacio particular. En
muchas aplicaciones, el perodo o la cantidad de espacio es la variable aleatoria. Por
ejemplo un ingeniero industrial puede interesarse en el tiempo T entre llegadas en
una interseccin congestionada durante la hora de salida de trabajo en una gran
ciudad. Una llegada representa el evento de Poisson.
La relacin entre la distribucin exponencial (con frecuencia llamada exponencial
negativa) y el proceso llamado de Poisson es bastante simple. La distribucin de
Poisson se desarroll como una distribucin de un solo parmetro l, donde l puede
interpretarse como el nmero promedio de eventos por unidad de tiempo .
Considrese ahora la variable aleatoria descrita por el tiempo que se requiere para
que ocurra el primer evento. Mediante la distribucin de Poisson, se encuentra que
la probabilidad de que no ocurran en el espacio hasta el tiempo t est dada por:
;
Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento
de Poisson. La probabilidad de que el perodo hasta que ocurre el primer evento de
Poisson exceda x es la misma que la probabilidad de que no ocurra un evento de
Poisson en x. Esto ltimo por supuesto est dado por
. Como resultado,
P(X x) =
Entonces, la funcin de distribucin acumulada para x es:
P(0 X x) = 1 Ahora, con objeto de que se reconozca la presencia de la distribucin exponencial,
puede derivarse la distribucin acumulada anterior para obtener la funcin de
densidad:
f(x) =
de este material?
es una v.a. de
Ejemplo2
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue
una distribucin exponencial con media de 16 aos. Cul es la probabilidad
de que a una persona a la que se le ha implantado este marcapasos se le deba
reimplantar otro antes de 20 aos? Si el marcapasos lleva funcionando
correctamente 5 aos en un paciente, cul es la probabilidad de que haya que
cambiarlo antes de
aos?
Solucin: Sea T la variable aleatoria que mide la duracin de un marcapasos
en una persona. Tenemos que
Entonces
En segundo lugar
Distribucin Ji-cuadrado
Un caso especial, muy importante, de la distribucin Gamma se obtiene cuando a=1/2 y
p=n/2. La distribucin resultante se conoce con el nombre de Ji-cuadrado con n grados
de libertad. Es la distribucin que sigue la suma de los cuadrados de n variables
independientes N(0,1).
La Ji-cuadrado es una distribucin fundamental en inferencia estadstica y en los tests
estadsticos de bondad de ajuste. Se emplea, entre muchas otras aplicaciones, para
determinar los lmites de confianza de la varianza de una poblacin normal, para
contrastar la hiptesis de homogeneidad o de independencia en una tabla de
contingencia y para pruebas de bondad de ajuste.
La distribucin Ji-cuadrado queda totalmente definida mediante sus grados de libertad
n.
Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el
estadstico X2. Si se elige una muestra de tamao n de una poblacin normal con
varianza
, el estadstico:
tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados
de libertad y se denota X2 (X es la minscula de la letra griega ji). El estadstico jicuadrada esta dado por:
para x>0
Elemplo 1
Los siguientes son los pesos, en decagramos, de 10 paquetes de
semillas de pasto distribuidas por cierta compaa: 46.4, 46.1, 45.8,
47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46. Encuentre un intervalo de
confianza de 95% para la varianza de todos los paquetes de semillas
de pasto que distribuye esta compaa, suponga una poblacin
normal.
Solucin:
Primero se calcula la desviacin estndar de la muestra:
Graficamente: