Universidad Tecnolgica de Torren

Ejercicio: Distribucin Bernoulli Distribucin Binomial

Distribucin Poisson Distribucin Normal
Distribucin Gamma Distribucin T de student

Vctor Hugo Franco Garca

Procesos Industriales rea de Manufactura

2 A Matricula: 1110167

Prof. Lic. Edgar Mata Ortiz

Distribuciones Pgina 2

ndice
Distribucin Bernoulli...3-4-5

Distribucin Binomial6-7-8

Distribucin Poisson9-10

Distribucin Gamma11-12-13

Distribucin Normal....14-15-16

Distribucin T de student.17-18-19

Bibliografa..20


Distribuciones Pgina 3

La distribucin Bernoulli
Imagine un experimento que tenga dos resultados. Al primero se le llama xito y al otro
fracaso. La probabilidad de xito se denota por p. por consecuencia, la probabilidad de fracaso
es 1-p. lo anterior representa un ensayo de Bernoulli con probabilidad de xito p. el ms sencillo
de este tipo es el lanzamiento al aire de una moneda. Los posibles resultados son cara o cruz.
Si cara se define como xito, entonces p constituye esa probabilidad. En una moneda p = .
Para cualquier ensayo de Bernoulli se define a la variable aleatoria X as: si el experimento propicia
xito, entonces X=1. De lo contrario, X=0. De ah que X sea una variable aleatoria discreta, con
funcin de masa de probabilidad p(x) definida por
p (0)= p (X = 0) = 1 p
p (1)= p (X = 1) = p
Ejemplo:
Cuando se lanza un dado hay una probabilidad de 1/6 de que salga 6. Sea X = 1 si el dado cae seis
y X = 0 en cualquier otro caso. Cul es la distribucin de X?
SOLUCIN:
La probabilidad de xito es p = p (x = 1) = 1 / 6. Por lo que X Bernoulli (1 / 6)
EJERCICIOS:
1. Un jugador de basquetbol est a punto de tirar hacia la parte superior del tablero. La
probabilidad de que anote el tiro es de 0.55
a) Sea X=1, si anota el tiro, si no lo hace, X=0. Determine la media y la varianza de X.
Ux = (0) (1 0.55) + (1) (0.55)
= 0.55 MEDIA
= (0 - P)2 (1-P) + (1 - P)2 (P)
= P (1 - P)
= 0.2475 VARIANZA
b) Si anota el tiro, su equipo obtiene dos puntos; si lo falla, su equipo no recibe puntos. Sea Y
el nmero de puntos anotados. Tiene una distribucin de Bernoulli? Si es as, encuentre
la probabilidad de xito. Si no, explique por qu.
P + = 1
= 1 P
= 1 0.55
= 0.45
Distribuciones Pgina 4

Tiene una distribucin de Bernoulli? S, porque nos plantean un ejemplo donde nos
presentan 2 opciones de xito o fracaso., donde si anota ganan 2 puntos y si no anotan no
gana nada
c) Determina la media y varianza de Y.
Ux = (0) (1 - 2) + (1) (2)
= 2 MEDIA
= (0 - P) 2 (1 P) + (1 - P) 2 (P)
=P (1 - P)
= -2 VARIANZA
2. En un restaurante de comida rpida, 25% de las rdenes para beber es una bebida
pequea, 35% una mediana y 40% una grande. Sea X=1 si se escoge aleatoriamente una
orden de bebida pequea y X=0 en cualquier otro caso sea Y=1 si la orden es una bebida
pequea p mediana y Z=0 para cualquier otro caso.
a) Sea Px la probabilidad de xito de X. Determine Px
X (Y + Z)
1 (35 + 40)
1 (0.75) = 0.25 25%

b) Sea Py la probabilidad de xito de Y. Determine Py
Y - (X + Z)
1 (25 + 40)
1 (65) = 0.35 35%
c) Sea Pz la probabilidad de xito de Z. determine Pz
Z (X + Y)
1 (25 + 35)
1 (60) = 0.40 40%
d) Es posible que X y Y sean iguales a 1?
No, porque la suma de sus porcentajes es menos a 1
e) Es pz = Px + Py?
No, porque Z = 40% y X + Y = 70%
3. X y Y variables aleatorias de Bernoulli. Sea Z = X + Y.
a) Demuestre que si X y Y no pueden ser iguales a 1, entonces Z es variable aleatoria de
Bernoulli.
DATOS: X = 1 Y = 1 Z = X + Y Z = 2
X = 1 X = 0 Z = 0 + 0 Z = 0 No es un variable de Bernoulli
Y = 1 Y = 0
b) Demuestre que si X y Y no pueden ser iguales a 1, entonces Pz = Px + Py
Pz = Px + Py
1 = 0 + 0 1 = 0 No son iguales
c) Demuestre que si X y Y pueden ser iguales a 1, entonces Z no es una variable aleatoria
de Bernoulli.
Distribuciones Pgina 5

X = 1 Z = X + Y Z = 2 No es una variable de Bernoulli
Y = 1
4. Se lanza al aire una moneda de 1 y 5 centavos. Sea X = 1 si sale cara en la moneda de 1
centavo y X = 0 en cualquier otro caso. Sea Y= 1 si sale cara en la moneda de 5 centavos
y Y = 0 en cualquier otro caso. Sea Z = 1 si sale cara, en ambas monedas y Z = 0 en
cualquier otro caso
a) Sea Px la probabilidad de xito de X. Determine Px
Monda de 1 centavo
X P
1 0.5 0.5
0 0.5 - 0
0.5
b) Sea Py la probabilidad de xito de X. Determine Py
X P
1 0.5 0.5
0 0.5 - 0
0.5
c) Sea pz la probabilidad de xito de X. Determine Pz
Z P
1 (0.33) 0.5
0 (0.66) - 0
0.5
d) son X y Y independientes?
Si, porque cada una tiene el mismo resultado y no depende una de la otra
e) Es pz = Px Py?
No, porque los 3 resultados son independientes
f) Es Z = XY? Explique
Si, porque Z = 1, X = 1, Y = 1 por lo tanto 1 = 1 x 1 1 = 1
5. Sea X y Y variables aleatorias de Bernoulli. Sea Z = XY.
a) Demuestre que Z es una variable aleatoria de Bernoulli.
Si X y Y son variables de Bernoulli
X = 1
Y = 1
Sea Z = XY Z = (1) (1) Z = 1
b) Demuestre que si X y Y son independientes, entonces Pz = PxPy
X = 1 Pz = 1 = Px = 1 = Py = 1
Distribuciones Pgina 6

Y = 1 Pz = Px Py
Z = 1 1 = (1) (1) 1 = 1

La distribucin binomial
Extraer un solo componente de una poblacin y determinar si est o no defectuoso es ejemplo de
un ensayo de Bernoulli. En la prctica es posible extraer varios componentes de una gran
poblacin y contar el nmero de elementos defectuosos. Esto implica realizar diversos ensayos de
Bernoulli independientes y contar con el nmero de xitos. El nmero de xitos es una variable
aleatoria, que tiene una distribucin binomial.
Sea la variable aleatoria X igual al nmero de xitos en N ensayos, entonces X tiene la distribucin
binomial con parmetros n y p. la notacin es X-Bin (n, p). X es una variable aleatoria discreta y
sus posibles valores son 0,1,..n.
Ejemplo:
Un loe contiene varios miles de componentes, de estos 10% estn defectuosos. Se extraen siete
componentes de la poblacin. Sea X el nmero de componentes defectuosos en la muestra. Cul
es la distribucin de X?
SOLUCION:
Puesto que el tamao muestral es pequeo en comparacin con la poblacin (es decir, menos a
5%), su nmero de xitos representa una distribucin binomial. Por tanto, se modela X con la
distribucin binomial Bin (7, 0.1).
1. Sea X Bin (8, 0.4). Determine
a) P(X = 2)
P (X = 2) 8!
2 (8 - 2) (0.4) 2 (0.6) 6 = 0.20901888
b) P(X = 4)
P (X = 4) 8!
4 (8 - 4) (0.4) 4 (0.6) 4 = 0.2322432
c) P(X < 2)
P (X <2) 8!
1 (8 - 1) (0.4) 1 (0.6) 5 = 0.08957952
d) P(X > 6)
P (X > 6) 8!
7 (8 - 7) (0.7) 7 (0.3) 1 = 0.19765032
e) Ux
Distribuciones Pgina 7

X P X (P)
3 0.15 0. 45
0 0.85 0
MEDIA: 0 .45


f)
(X - M) 2 (P)
(3 0.45) 2 (0.15) = 0.975375
(0 0.45) 2 (0.85) = 0.172125
VARIANZA: 1. 1475

2. Se toma una muestra de cinco elementos de una poblacin grande en la cual 10% de los
elementos est defectuoso.
a) Determine la probabilidad de que ninguno de los elementos de la muestra est
defectuoso.
5!
0! (5 - 0)! (0.9) 0 (0.1) 5 = 0.00001
b) Determine la probabilidad de que slo uno de ellos tenga defectos.
5!
1! (5 - 1) (0.9) 1 (0.1) 4 = 0.00045
c) Determine la probabilidad de que uno o ms de los elementos de la muestra estn
defectuosos
5!
2! (5 - 2)! (0.9) 2 (0.1) 3 = 0.0081 + 0.00045 = 0.00855
d) Determine la probabilidad de que menos de dos elementos de la muestra tenga
defectos
0.00001
0.00045
0.00046
3. Se lanza al aire una moneda diez veces.
a) Cul es la probabilidad de obtener tres veces cara?
10!
3! (10 - 3)! (0.5) 3 (0.5) 7 = 0.1171875
b) Determine la media del nmero de caras obtenidas
U = (10) (0.5) = 5
c) Determine la varianza del nmero de caras obtenidas
= 5 (1 - 0.5) = 2.5
d) Determine la desviacin estndar del nmero de caras obtenidas
= 1.58113883
Distribuciones Pgina 8

4. En un cargamentos grande de llantas de automvil. 5% tiene cierta imperfeccin. Se eligen
aleatoriamente cuatro llantas para instalarlas en el automvil.
a) Cul es la probabilidad de que ninguna de las llantas tenga imperfeccin?
4!
0 (4 - 0) (0.95) 0 (0.05) 4 = 0.00000625


b) Cul es la probabilidad de que slo una de las llantas tenga imperfeccin?
4!
1 (4 - 1) (0.95) 1 (0.05) 3 = 0.000475

c) Cul es la probabilidad de que una o ms de las llantas tenga imperfeccin?
4!
2 (4 - 2) (0.95) 2 (0.05) 2 = 0.0135375 + 0.000475 = 0.0140125
5. En un patrn aleatorio de ocho bits utilizado para probar un microcircuito. Cada bit tiene
la misma probabilidad de ser 0 o 1. Suponga que los valores de los bits son
independientes.
a) Cul es la probabilidad de que todos los bits sean 1?
8!
1 (8 - 1) (0.5) 1 (0.5) 7 = 0.03125
b) Cul es la probabilidad de que exactamente tres de los bits sean 1?
3!
1 (3 - 1) (0.5) 1 (0.5) 2 = 0.375
c) Cul es la probabilidad de que al menos seis de los bits sean 1?
6!
1 (6 - 1) (0.5) 1 (0.5) 5 = 0.09375
d) Cul es la probabilidad de que al menos dos de los bits sean 1?
2!
1(2 - 1) (0.5) 1 (0.5) 1 = 0.5






Distribuciones Pgina 9

La distribucin de Poisson
La distribucin de Poisson se utiliza con frecuencia en el trabajo cientfico. Una
manera de considerarla es como una aproximacin de la distribucin binomial
cuando n es grande y p es pequea. Si una variable aleatoria discreta X definida
en un espacio de probabilidad <m> (Omega, Lambda, P (.)) es el numero de
xitos en n repeticiones de un experimento de Bernoulli.
Donde lambda es igual a n * P (tamao de muestra multiplicado por la
probabilidad de xito)
n = Tamao de muestra
x = Cantidad de xitos
P = Probabilidad de xito
e = base de logaritmos = 2.718281828
1. Sea X ~ Poisson (4). Determine
a) P (x = 1)
e 4 (4^1, 1!) = 0.073262555
b) P (x = 0)
e 4 (4^0, 0!) = 0.018315638
c) P (x = <2)
e 4 (4^0, 0!) = 0.018315638
e 4 (4^1, 1!) = 0.073262555 = 0.091578193
d) P (x > 1)
P (x = 2)
e 4 (4^2, 2!) = 0.146525111
P (x = 3)
e 4 (4^3, 3!) = 0.195366814 = 0.3418919225
e) U MEDIA: 4
f) VARIANZA: 4
2. La concentracin de partculas en una suspensin es 2 por mL. Se agita por
completo la concentracin, y posteriormente se extraen 3 Ml. Sea X el
nmero de partculas que son retiradas. Determine
a) P (x = 5)
e 2 (2^5, 5!) = 0.036089408
b) P (x = < 2)
e 2 (2^2, 2!) = 0.270670566
e 2 (2^1, 1!) = 0.270670566 = 0.541341132
Distribuciones Pgina 10

c) P (x > 1)
e 2 (2^2, 2!) = 0.270670566
3. Suponga que 0.03% de los contenedores plsticos producidos en cierto
proceso tiene pequeos agujeros que los dejan inservibles. X representa el
nmero de contenedores en una muestra aleatoria de 10 000 que tienen
este defecto. Determine
a) P (X = 3)
e 3 (3^3, 3!) = 0.224041807
b) P (X < 2)
e 3 (3^2, 2!) = 0.224041807
e 3 (3^1, 1!) = 0.149361205 = 0.373403075
c) P (1 < X <4)
e 3(3^3, 3!) = 0.224041807
d) U MEDIA: 3
e) VARIANZA: 3
4. Si Poisson (3), calcule
a) P (X = 2)
e 3 (3^2, 2!) = 0.2240
b) P (X = 10)
e 3 (3^10, 10!) = 0. 00081
c) P (X = 0)
e 3 (3^0, 0!) = 0. 0498
5. Si X ~ Poisson (4). Calcule
a) P (X < 2)
E 4 (4^2, 2!) = 0.146525111
b) P (X > 1)
E 4 (4^1, 1!) = 0.073262555








Distribuciones Pgina 11

La distribucin normal
En estadstica y probabilidad se llama distribucin normal, distribucin de
Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de
variable continua que con ms frecuencia aparece aproximada en fenmenos
reales. La distribucin normal es continua en vez de discreta. La media de una
variable aleatoria normal puede tener cualquier valor y la varianza cualquier valor
positivo. La distribucin normal tambin aparece en muchas reas de la propia
estadstica. Por ejemplo, la distribucin muestral de las medias mustrales es
aproximadamente normal, cuando la distribucin de la poblacin de la cual se
extrae la muestra no es normal.


Ejercicios:
1. En una ciudad se estima que la temperatura mxima en el mes de junio si una distribucin
normal, con media 23 y desviacin tpica 5. Calcular el nmero de das del mes en los
que se espera alcanzar mximas entre 21 y 27.



2. En un examen tipo test de 200 preguntas de eleccin mltiple, cada pregunta tiene una
respuesta correcta y una incorrecta. Se aprueba si se contesta a ms de 110 respuestas
correctas. Suponiendo que se contesta al azar, calcular la probabilidad de aprobar el
examen.


Distribuciones Pgina 12




3. Se supone que los resultados de un examen siguen una distribucin normal con media 78
y varianza 36. Se pide:
Cul es la probabilidad de que una persona que se presenta el examen obtenga una
calificacin superior a 72?


4. En una distribucin normal de media 4 y desviacin tpica 2, calcular el valor de a para que:
P( 4a x 4+a) = 0. 5934




Distribuciones Pgina 13


5. Si X es una variable aleatoria distribuida segn una distribucin N (, ), hallar:
P ( 3 X +3)




Es decir, que aproximadamente el 99 . 7 4 % de los valores de X estn a menos de tres desviaciones
tpicas de la media.











Distribuciones Pgina 14

La Distribucin Gamma
DISTRIBUCIN GAMMA

Es una distribucin adecuada para modelizar el comportamiento de variables
aleatorias continuas con asimetra positiva. Es decir, variables que presentan una
mayor densidad de sucesos a la izquierda de la media que a la derecha. En su
expresin se encuentran dos parmetros, siempre positivos, () y () de los que
depende su forma y alcance por la derecha, y tambin la funcin Gamma (),
responsable de la convergencia de la distribucin
el valor de la funcin Gamma se obtiene a partir de:

Ejercicios:
1. En cierta ciudad el consumo diario de energa elctrica, en millones de kilovatios por hora,
puede considerarse como una variable aleatoria con distribucin GAMMA de parmetros = 3
y = 0.5.
La planta de energa de esta ciudad tiene una capacidad diaria de 10 millones de KW/hora
Cul es la probabilidad de que este abastecimientos sea:
a. Insuficiente en un da cualquiera?.
b. Se consuman entre 3 y 8 millones de K. W./Hora?
c. Encuentre E(x) y V(x).
Solucin:






Distribuciones Pgina 15

2. Suponga que cierta pieza metlica se romper despus de sufrir dos ciclos de esfuerzo.
Si estos ciclos ocurren de manera independiente a una frecuencia promedio de dos por
cada 100 horas. Obtener la probabilidad de que el intervalo de tiempo se encuentre hasta
que ocurre el segundo ciclo.
a. Dentro de una desviacin con respecto del tiempo promedio.
b. A ms de dos desviaciones por encima de la media.
Solucin:

3. El nmero de pacientes que llegan a la consulta de un mdico sigue una distribucin de
Poisson de media 3 pacientes por hora. Calcular la probabilidad de que transcurra menos de una
hora hasta la llegada del segundo paciente.
Debe tenerse en cuenta que la variable aleatoria tiempo que transcurre hasta la llegada del segundo
paciente sigue una distribucin Gamma (6, 2).
Solucin:
Clculo de probabilidades. Distribuciones continuas
Gamma (a p)
a : Escala 60000
p : Forma 20000
Punto X 10000

Cola Izquierda Pr[X<=k] 0,9826
Cola Derecha Pr[X>=k] 0,0174
Media 0,3333
Varianza 0,0556
Moda 0,1667
La probabilidad de que transcurra menos de una hora hasta que llegue el segundo paciente es 0,98.


4. Suponiendo que el tiempo de supervivencia, en aos, de pacientes que son sometidos a una cierta
intervencin quirrgica en un hospital sigue una distribucin Gamma con parmetros a=0,81 y
p=7,81, calclese:

Distribuciones Pgina 16

1. El tiempo medio de supervivencia.
2. Los aos a partir de los cuales la probabilidad de supervivencia es menor que 0,1.


Clculo de probabilidades. Distribuciones continuas

Gamma (a,p)
a : Escala 0,8100
p : Forma 7,8100

Cola Izquierda Pr [X<=k] 0,9000
Cola Derecha Pr [X>=k] 0,1000
Punto X 14,2429
Media 9,6420
Varianza 11,9037
Moda 8,4074
El tiempo medio de supervivencia es de, aproximadamente, 10 aos.

5. suponga que cierta pieza metlica se romper despus de sufrir dos siclos de esfuerzo. Si estos
ciclos ocurren de manera independiente a una frecuencia promedio de dos por cada 100 horas.
Obtener la probabilidad de que el intervalo de tiempo se encuentre hasta que ocurre el segundo
ciclo.
a) dentro de una desviacin con respecto del tiempo promedio
b) A ms de dos desviaciones por encima de la media





Distribuciones Pgina 17

La distribucin T de Student
En probabilidad y estadstica, la distribucin t (de Student) es una distribucin
de probabilidad que surge del problema de estimar la media de una
poblacin normalmente distribuida cuando el tamao de la muestra es pequeo.
Aparece de manera natural al realizar la prueba t de Student para la determinacin
de las diferencias entre dos medias mustrales y para la construccin del intervalo
de confianza para la diferencia entre las medias de dos poblaciones cuando se
desconoce la desviacin tpica de una poblacin y sta debe ser estimada a partir
de los datos de una muestra. En estos casos calculamos el estadstico T:



Ejercicios:
1. S e s e l e c c i o n o u n a m u e s t r a a l e a t o r i a d e 2 5 c u e n t a s
p o r c o b r a r d e u n registro que contena 96 cuentas. La muestra dio
una media de x = 2.435colones y una desviacin tpica de S = 335 colones.
Obtngase un intervalo de confianza del 90% para estimar la media de las 96
cuentas del registro.

2. El auditor de una empresa al examinar los registros de facturacin
mensual, mediante el anlisis de una muestra aleatoria irrestricta de 10
facturas no
p a g a d a s e n c o n t r q u e l a me d i a a r i t m t i c a f u e d e x = $ 9 5
0 0 c o n u n a desviacin tpica de s = $327. Construir un intervalo de
confianza del 95%para estimar el parmetro poblacional.
Distribuciones Pgina 18


3. Una mue s t r a a l e at or i a del pr oce s o de pr oduc c i n de 17 bombi l l os ,
di o una media de x = 128 horas, con una desviacin tpica s = 15 horas.
Construir un intervalo de confianza del 99% para estimar el promedio de vida
til de todos los bombillos del proceso


4. Una e mpr e s a cons t r uc t or a de s e a c onoc er e l pr ome di o
de ar r e nda mi e nt o mensual de casas en cierta ciudad (casas tipo clase
media). Una
muestraa l e a t o r i a d e 2 6 a r r e n d a m i e n t o s d i o u n p r o m e d i o
d e x = $ 2 8 0 y u n a desviacin tpica de s = $55. Estime el promedio verdadero
con un intervalo de confianza del 0.99



Distribuciones Pgina 19

5. E l p r o p i e t a r i o d e u n a p a p e l e r a d e s e a e s t i m a r l a m e d i
a d e l v a l o r a l menudeo de las tarjetas de felicitacin que la tienda tiene en su
inventario. Una mue s t r a al e at or i a de 20 t ar j et a s de f el i ci t a ci n i ndi c a
una me di a
de v a l o r d e $ 1 . 6 7 y u n a d e s v i a c i n e s t n d a r d e $ 0 . 3 2 . S u p o n i
e n d o u n a distribucin normal, construya una estimacin del intervalo de confianza
del9 5 % p a r a l a me d i a d e l v a l o r d e t o d a s l a s t a r j e t a s d e
f e l i c i t a c i n e n e l inventario de la tienda














Distribuciones Pgina 20


Bibliografa:

Autor: William Navidi
Libro: estadstica para ingenieros
Y cientficos
Titulo: Distribucin Bernoulli
Distribucin binomial
Distribucin Poisson
Distribucin normal
Distribucin gamma
Distribucin T de student
Editorial: Mc Graw Hill


andruss_hugo1453@hotmail.com
http://www.facebook.com/profile.php?id=100001475094229
http://hugo-franco.bligoo.com.mx/content
https://twitter.com/#!/victorhugofran4
Otros:
World_black2@hotmail.com
Saludos

Gracias por tu atencin!