http://cmap.ihmc.

us/
PRINCIPALES
DISTRIBUCIONES DISCRETAS
DISTRIBUCIN BINOMIAL

Caractersticas:
1) Un experimento que consta de n pruebas idnticas.
2) Cada prueba tiene dos resultados posibles: E = xito y F
= fracaso
3) La probabilidad de tener xito en una sola prueba es
igual a p y es constante en todas las pruebas.
4) Las pruebas son independientes.
5) La variable aleatoria de inters es X, el nmero de xitos
observados en las n pruebas

La funcin de masa es: (Parmetros: n y p)

P(X=x) = nCx.p
x
(1 - p)
n-x
, x = 0, 1, 2, ..., n

E(X) = np y Var(X) = np(1 - p).
SITUACIONES QUE PUEDEN MODELARSE
CON LA DISTRIBUCION BINOMIAL

Obtencin de muestras. Objetivo : los elementos
muestreados poseen o no una caracterstica C.

El nmero de veces en las que ocurri un
fenmeno determinado en cierto perodo de
tiempo.

Determinacin de parmetros de diseo para un
riesgo dado.

Otros que se ajusten a las 5 caractersticas de un
experimento binomial
GRAFICOS: DISTRIBUCIN BINOMIAL
n = 20, p = 0.7
Funcin de masa de
probabilidad
Funcin de distribucin
acumulada
EJEMPLO:

Si la probabilidad de que se desplome una estructura
despus de 30 aos es de 0.01 obtenga la probabilidad de
que de 10 estructuras de esta clase:
a) ninguna se derrumbe despus de 30 aos
b) una exactamente se derrumbe despus de 30 aos
c) no ms de una se derrumbe despus de 30 aos
d) ms de una se derrumbe despus de 30 aos
e) por lo menos una se derrumbe despus de 30 aos
DISTRIBUCIN GEOMTRICA

Caractersticas:

1) Un experimento que consta de pruebas idnticas.

2) Cada prueba tiene dos resultados posibles: E = xito; F
= fracaso

3) La probabilidad de tener xito en una sola prueba es
igual a p y es constante en todas las pruebas.

4) Las pruebas son independientes.

5) La variable aleatoria de inters es X, el nmero de
pruebas hasta obtener el primer xito.

La funcin de masa es:

f(X = x) = p(1 - p)
x-1
, x = 1, 2, ...

Parmetros de la distribucin: p

E(X) = 1/p y Var(X) = (1 - p)/p.
GRAFICOS: DISTRIBUCIN GEOMTRICA
P = 0.1
Funcin de masa de
probabilidad
Funcin de distribucin
acumulada
EJEMPLO:

Considere el tablero de un conmutador telefnico.
Hay inters de saber el nmero de intentos
necesarios que una persona hace para tener una
lnea disponible. Suponga que p = 0.125 es la
probabilidad de tener lnea durante la mayor
congestin de llamadas. Determinar:

a) La probabilidad de que sean necesarios 5
intentos para lograr una comunicacin?


b) Que porcentaje de veces un usuario tendr que
hacer 5 o menos intentos antes de lograr una
comunicacin?

c) Cual es la probabilidad de hacer ms de 5
intentos dado que por lo menos se han hecho 4
intentos para tener lnea disponible?

d) Cual es el promedio de intentos que una
persona hace para tener lnea disponible?
LA DISTRIBUCIN POISSON

En la distribucin binomial tomamos lmite cuando n tiende
a infinito y hacemos = np

lim
n
C
x
.p
x
(1 - p)
n-x
= (
x
e
-
)/x!
n

Al utilizar un modelo Poisson estamos interesados en el
nmero de ocurrencias de un evento en un continuo que
bien puede ser el tiempo o el espacio.

DEFINICION: Diremos que una variable aleatoria X se
distribuye segn poisson con parmetro [poisson()] si X
tiene una funcin de densidad de probabilidad dada por:

f(x) = (
x
e
-
)/x! ; x = 0, 1, 2, ...
SITUACIONES QUE PUEDEN MODELARSE CON LA
DISTRIBUCION POISSON

Accidentes por ao registrados en una compaa de
seguros.
. Nmero de llegadas o arribos a un servidor.
Nmero de especmenes por unidad de longitud o rea o
volumen.
Nmero de defectos por unidad lineal de cable.
Nmero de bacterias por retcula.
Nmero de errores por pgina en un texto.
Nmero de llamadas equivocadas por unidad de tiempo.
Aproximar el clculo de un valor de la binomial cuando n es
grande y p es pequeo, (np < 7)

NOTA: Si X se distribuye Poisson() entonces: E(X) = y
Var(X) =
GRAFICOS: DISTRIBUCION POISSON
= 10
Funcin de masa de
probabilidad
Funcin de distribucin
acumulada
EJEMPLO 1: La cantidad de personas que llegan
a un servidor se puede modelar con un proceso
Poisson con una tasa de llegada de 5 por hora.

a) Cul es la probabilidad de que ocurran
exactamente 4 llegadas en una determinada hora?
b) Cul es la probabilidad de que lleguen por lo
menos 4 personas en cierta hora?
c) Cuntas personas espera que lleguen durante
un perodo de 45 minutos?
EJEMPLO 2:

Suponga que la demanda de un artculo en un
almacn sigue una distribucin poisson con
media = 8 por semana. Cual debe ser el
inventario que se debe tener en el almacn para
que con una probabilidad de 0.95 pueda
atenderse la demanda?
OTRO EJEMPLO
Una compaa telefnica emplea cinco operadoras
que reciben solicitudes de informacin
independientemente una de otra, cada una segn
un proceso Poisson con tasa = 2 por minuto.
Cul es la probabilidad de que durante un
perodo de un minuto la primera operadora no
reciba solicitudes?
Cul es la probabilidad de que durante un
perodo de un minuto exactamente cuatro de las
cinco operadoras no reciba solicitudes?
Escriba una expresin para la probabilidad de que
durante un perodo de un minuto las operadoras
reciban exactamente el mismo nmero de
solicitudes.
PRINCIPALES
DISTRIBUCIONES CONTINUAS

DISTRIBUCIN UNIFORME
La variable aleatoria X se distribuye uniforme con
parmetros a y b [unif(a,b)] si tiene funcin de densidad
dada por:

f(x) = 1/(b-a); si a s x s b; b > a

Se destaca la proporcionalidad con la cual se presenta la
distribucin.

NOTA: Si X se distribuye uniforme(a,b) entonces la funcin
de distribucin es :
0; si x < a
F(x) = (x - a)/(b - a); si a s x s b
1; si x > b
Los momentos de esta distribucin son: E(X) = (b + a)/2 y
Var(X) = (b - a)/12
{
GRAFICOS: DISTRIBUCIN UNIFORME
(4; 6)
Funcin de masa de
probabilidad
Funcin de distribucin
acumulada
EJEMPLO
En el movimiento Browniano (en un plano) una partcula puede en
determinado momento tomar una direccin aleatoria. Dicha direccin
est determinada por un ngulo entre 0 y 360. Para modelar esta
situacin consideremos la variable aleatoria X distribuida
uniformemente en el intervalo [0; 360), as tendremos el siguiente
modelo:

f(x) = 1/360 si 0 x < 360
0 en otro valor

Con la siguiente distribucin acumulada:

0; si x < 0
F(x) = x/360; si 0 s x < 360
1; si x 360


Qu probabilidad hay de que la partcula tome una direccin entre
30 y 40?
{
{
DISTRIBUCIN EXPONENCIAL
Si usamos el modelo de Poisson para representar la
ocurrencia de un evento en el tiempo y si T es la variable
aleatoria que denota el tiempo para que ocurra el primer
evento, entonces la probabilidad de que T exceda un valor
t es igual a la probabilidad de que no ocurra el evento en
ese intervalo de longitud t; esta probabilidad se puede
expresar como 1 - F(t) y es igual a p(X=0) donde X es una
variable aleatoria distribuida Poisson con parmetro ot,
entonces:
1 - F(t) = (ot)
0
e
-ot
/ 0!= e
-ot
, de donde:

F (t) = 1 - e
-ot
y adems f(t) = D
t
[F(t)] = oe
-ot
; t > 0.
Esto define la distribucin de probabilidad
exponencial. Describe el tiempo hasta que ocurra
el primer suceso Poisson. Debido a ciertas
propiedades de los procesos Poisson se puede
llegar a decir que los tiempos entre sucesos de un
proceso Poisson se distribuyen exponencialmente.

La media de la distribucin exponencial es:

E(X) = toe
-ot
dt = 1/o, y la Varianza Var(X) = 1/o

EJEMPLO: Ver tiempos de avance
}

0
DISTRIBUCIN EXPONENCIAL
T ~ Exp(=1)
F(t)
1.0
F(t
0
)
t
t
0
FUNCION DE DENSIDAD FUNCION ACUMULADA
EJEMPLO

Cierta fabrica manufacturera requiere de un
producto especfico. La cantidad de producto
utilizada en un da se puede modelar con una
distribucin exponencial con promedio de 4
toneladas por da:

a) Que probabilidad hay de que la fabrica utilice
ms de 4 toneladas en un da determinado?

b) Que cantidad de producto habra que
almacenar para que la probabilidad de agotar la
existencia sea de 0.05?
OTRO EJEMPLO
Se sabe que el tiempo (en minutos) que una persona habla por
telfono es un fenmeno aleatorio con funcin de densidad dada por
f(x) = Ae-x/5 si x>0
f(x) = 0 en otro caso
Encuentre el valor de A que hace de f(.) una funcin de densidad.
Represente grficamente la funcin de densidad.
Cul es la probabilidad de que el nmero de minutos durante los que
la persona usar el telfono sea: i) mayor de 10 minutos, ii) menor de 5
minutos, iii) entre 5 y 10 minutos.
Para cualquier nmero real b, sea A(b) el evento de que la persona
hable ms de b minutos. Encuentre P[A(b)]. Demuestre que para a>0 y
b>0, P[A(a+b)|A(a)] = P[A(b)]. En otras palabras, la probabilidad
condicional de que una conversacin telefnica dure ms de a+b
minutos, dado que ha durado por lo menos a minutos, es igual a la
probabilidad de que dure ms de b minutos.
LA DISTRIBUCIN NORMAL

Por se una distribucin especial por su aplicabilidad y por su
forma (propiedades probabilisticas y geomtricas) nos
referimos a ella en forma especial

Consideremos una poblacin con una caracterstica medible
que tiene distribucin normal con media = 10 y desviacin
estndar = 4.

Tomaremos diferentes muestras de ella y construyamos
histogramas o observemos sus siluetas.
Javas para la Normal
http://www.aulademate.com/contentid-286.html
n= 30
n = 50
n = 100
n = 500
n = 1000

Una importante clase de modelos son aquellos que surgen
lmite de la relacin entre el fenmeno de inters y sus
"causas". La incertidumbre puede ser el resultado de los
efectos combinados de muchas causas, cada una de las
cuales es difcil de observar aisladamente. En muchas
aplicaciones importantes de la ingeniera las causas
individuales afectan la variable de inters entonces podemos
determinar un modelo probabilistico.

Tres casos importantes de esta situacin:
1) cuando las causas individuales son aditivas, (D. Normal)
2) cuando las causas individuales son multiplicativas, y
3) aquel donde sus extremos son crticos (mximo o mnimo).
La funcin de densidad de una variable aleatoria
distribuida Normal con parmetros y o esta
dada por:



La media y la varianza de una variable aleatoria X,
Normal(, o) son E(X) = y Var(X) = o.
< < =
(
(

|
.
|

\
|

x e
2
1
f(x)
2

x
2
1
PROPIEDADES DE LA NORMAL
DIFERENTES DISTRIBUCIONES NORMALES
FUNCIONES DE DENSIDAD FUNCIONES ACUMULADAS
CALCULOS CON LA NORMAL

Si F(x) es la funcin de distribucin acumulada de
una variable aleatoria X ~ Normal(, o
2
), entonces:

P(a s X s b) = F(b) F(a) donde:



dt e
2
1
F(x)
x
-

t
2
1
2
}

(
(

|
.
|

\
|

=
LA NORMAL ESTANDAR

Teorema: Si X es una variable aleatoria con
distribucin:
X ~ Normal(; o
2
)

entonces la varaiable aleatoria Z = (x - )/o se
distribuye:
Z ~ Normal(0, 1).

La variable Z toma un nombre especial: Normal
estndar.

LAS FUNCIONES QUE CARACTERIZAN LA
NORMAL ESTNDAR SON
< < =
(

z e
2
1
f(z)
2
z
2
1
dx e
2
1
(z)
Z
-
x
2
1
2
}

=
NOTA IMPORTANTE:

Es necesario tabular la distribucin acumulada de
Z. De esta manera para hacer el clculo de
probabilidades sobre una v. a. X ~ Normal (, o
2
)
la estandarizamos y consultamos la tabla de la
v.a. Z ~ Normal (0,1)

EJEMPLO
Una mquina despachadora de refrescos est ajustada
para servir un promedio de 200 ml por vaso. Si la cantidad
de refresco que sirve la mquina est normalmente
distribuida con una desviacin estndar de 15 ml

a) Que fraccin de los vasos contendr ms de 224 ml?
b) Cual es la probabilidad de que un vaso contenga entre
191 ml y 209 ml?
c) Cuntos vasos probablemente se derramarn si se
utilizan vasos de 230 ml de capacidad en los siguientes
1000 refrescos?
d) Abajo de que volumen se obtiene el 25% ms pequeo
de los refrescos?
EJEMPLO
La dureza Rockwell de un metal se determina al golpear con un punto
acerado (herramienta) la superficie del metal y despus medir la
profundidad de penetracin del punto. Suponga que la dureza Rockwell de
cierta aleacin esta normalmente distribuida con media 70 y desviacin
estndar de 3 (la dureza Rockwell se mide en una escala continua).
Si un espcimen es aceptable slo si su dureza esta entre 65 y 75, cul
es la probabilidad de que un espcimen seleccionado al azar tenga una
dureza aceptable?
Si la escala aceptable de dureza es (70 c, 70 + c), para qu valor de c
tendra una dureza aceptable del 95% de todos los especimenes?
Si la escala aceptable es como en el punto a) y la dureza de cada diez
especimenes seleccionados al azar se determina independientemente,
cul es el nmero esperado de especimenes aceptables entre los diez?
Cul es la probabilidad de que a lo sumo 8 de 10 especimenes
seleccionados independientemente tengan una dureza menor de 73.84?
(Ayuda: Y = nmero entre los diez especimenes con dureza menor de
73.84 es una variable binominal; cul es p?)
EJEMPLO
Hay dos mquinas para cortar corchos destinados a
usarse en botellas de vino. La primera produce corchos
con dimetros normalmente distribuidos con media de 3
cm y desviasin estndar de 0.1 cm. La segunda produce
corchos con dimetros tambin con distribucin normal
pero con una media de 3.04 cm y desviasin estndar de
0.02 cm. Los corchos aceptables tiene dimetros entre 2.9
y 3.1 cm.
Cul mquina tiene ms probabilidad de producir un
corcho aceptable?
Si la escala aceptable es (3 c, 3 + c), para qu valor de
c tendra una aceptacin del 95% de todos los corchos?
(utilice la primera distribucin)
NORMAL BIVARIADA
VARIABLE BIDIMENSIONAL
X: Beta(, ). Y: Normal(0; 1)
DISTRIBUCIONES DE VARIABLES
MULTIDIMENSIONALES
ENLACES
Planeta Matemtico
http://euler.fmat.ull.es/~huafonso/joomla2/index.php?option=com_content&task=view
&id=118&Itemid=106

Electronic TextBook (StatSoft)
http://www.statsoft.com/textbook/stathome.html
En este sitio se recomiendan ver en detalle las opciones Elementary Concepts y
Distribution Fitting

Fiabilidad de componentes. Distribucin exponencial
http://www.mtas.es//insht/ntp/ntp_316.htm