You are on page 1of 39

UNIVERSIDAD NACIONAL

AUTONOMA DE NICARAGUA

DISTRIBUCIONES IMPORTANTES
DE PROBABILIDAD
Distribuciones de Probabilidad

Variable Aleatoria
Sea S el espacio muestral asociado a un experimento
aleatorio. Una funcin X que asigna a cada uno de los
elementos w de S un nmero x, se llama variable aleatoria.
Distribuciones de Probabilidad

Ejemplo

El responsable de la oficina de hacienda de un pas


estima que la probabilidad de un error en las
declaraciones del impuesto sobre la renta es 0.4.
Suponga que se ejecuta un experimento en el cual 3
declaraciones se seleccionan aleatoriamente con
fines de auditoria y se quiere determinar el numero
de declaraciones que contienen error y las
probabilidades de estos.
Distribuciones de Probabilidad

Product B
Feature 1
Feature 2
Feature 3
Distribuciones de Probabilidad

Variable Aleatoria

1) Encuentre la probabilidad de que ninguna de las 3 declaraciones contengan


errores
P(EcEcEc)= (0.6)(0.6)(0.6)= 0.216

2) Encuentre la probabilidad de que una contenga error.


P(EEcEc)+P(EcEEc)+P(EcEcE)= 0.432

3) Encuentre la probabilidad de que dos contengan errores.


P(EEEc)+P(EEcE)+P(EcEE)= 0.288

4) Encuentre la probabilidad de que las tres contengan errores.


P(EEE)=(0.4)(0.4)(0.4)= 0.064
Distribuciones de Probabilidad

Numero de declaraciones con error (X) Probabilidad


0 0.216
1 0.432
2 0.288
3 0.064
1.000

La distribucin de probabilidad es una lista completa de todos


los valores posibles de una variable aleatoria junto con las
probabilidades de cada uno.
Distribuciones de Probabilidad
VARIABLE ALEATORIA DISCRETA.

X es una variable aleatoria discreta si su conjunto de


valores posibles es finito o infinito numerable, esto es,
si sus valores se pueden asociar a los enteros 1, 2, 3, . .

VARIABLE ALEATORIA CONTINUA.

X es una variable aleatoria continua si su conjunto


de valores posibles es infinito no numerable, esto
es, para dos elementos cualesquiera de este
conjunto siempre existir otro entre ellos.
Distribuciones de Probabilidad

ESPERANZA Y VARIANZA DE UNA VARIABLE ALEATORIA


DISCRETA.

Con el propsito de resumir la distribucin de


probabilidad de una variable aleatoria discreta X se
calcularn sus principales caractersticas: la esperanza y la
varianza de X.

Sea P (xi ) una distribucin de probabilidad de una


variable aleatoria discreta X. La esperanza de X o valor
esperado de X se denota y define como:

E(X) = xi P ( x i )
Distribuciones de Probabilidad

E ( X ) puede considerarse como una media aritmtica


ponderada (donde la ponderacin de cada xi sera la
probabilidad P(xi) esto es, la media que espero obtener de
un gran nmero de observaciones independientes de X,
motivo por el cual escribiremos.
E ( X ) = x( la media de X )

La varianza de X se denota y define como:


V (X) = E [ (X - X )2 ] = ( xi - X )2 P( xi )

La varianza de X tambin se puede denotar como V( X)


Distribuciones de Probabilidad

El clculo se puede simplificar utilizando la


siguiente frmula
V (X) = E ( X2 ) - [ E ( X ) ]2
donde E ( X2 ) = xi2 P ( xi )

La desviacin estndar de X se denota y define


como:

X V(X)
Distribuciones de Probabilidad

Distribuciones de probabilidad
Un vendedor de computadoras tiene la oportunidad de trabajar con cierto
comerciante. Supongamos que el vendedor ha evaluado las posibilidades de la venta
semanal de la manera indicada abajo.

No. Computadoras Probabilidad

0 0.1
1 0.2
2 0.3
3 0.4

Determine el nmero de computadoras que espera vender por semana. Interprete el


resultado.
Determine la desviacin estndar del nmero de computadoras que vende por
semana. Interprete el resultado.
Distribuciones de Probabilidad

Hagamos que la variable aleatoria X represente el nmero de computadoras que


podra vender por semana.
xi P( xi ) xi P( xi ) xi2 P( xi )
0 0.1 0 0
1 0.2 0.2 0.2
2 0.3 0.6 1.2
3 0.4 1.2 3.6
1.0 2.0 5.0

E ( X ) = 2 computadoras y

V ( X ) = 5 - [ 2 ]2 = 5 - 4 = 1 computadora2

V( X ) 1 1 computador a
X
Distribuciones de Probabilidad

EJERCICIO
Un fabricante produce cierto artculo de tal modo que el 10% son defectuosos. Si se produce
un artculo defectuoso, el fabricante pierde C$ 10, mientras que un artculo no defectuoso le
produce una ganancia de C$ 50.
Determine la ganancia esperada por artculo. Interprete el resultado.
Supongamos que X representa la ganancia por artculo y que toma los valores 10 si se
produce un artculo defectuoso y 50 si se produce no defectuoso.

xi P ( xi ) xi P (xi )
-10 0.10 -1
50 0.90 45

44

= E ( X ) = C$ 44
x
Este resultado se interpreta as: Cuando el fabricante produzca muchos artculos espera una
ganancia promedio por artculo de C$ 44
Distribuciones de Probabilidad
DISTRIBUCION BINOMIAL

INTRODUCCION
La Distribucin Binomial es una distribucin de
probabilidad de una variable aleatoria discreta, que
ser aplicable cada vez que se suponga un proceso de
Bernoulli.

PROCESO DE BERNOULLI
Es un proceso de muestreo, esto es, una muestra de
tamao n que resulta de repetir un mismo
experimento aleatorio (que llamaremos ensayo) n
veces y que cumple las siguientes condiciones:
DISTRIBUCIONES DE PROBABILIDADES
Los resultados posibles de cada ensayo pueden
clasificarse en dos eventos E y F, mutuamente
excluyentes y exhaustivos que llamaremos
posteriormente xito y fracaso respectivamente.

Las probabilidades de (E) y (F) permanecen


constantes en todos los ensayos, es decir, el
proceso es estacionario.

Cualquier serie de eventos E y F obtenidos de los n


ensayos constituyen eventos independientes.
Distribuciones de Probabilidad

Modelo Binomial

Puede demostrarse que la siguiente expresin matemtica define una


distribucin de probabilidad de X llamada distribucin Binomial con
parmetros n y p , o modelo Binomial con parmetros n y p.
Puede demostrarse que la siguiente expresin matemtica
define una distribucin de probabilidad de X llamada distribucin
Binomial con parmetros n y p .

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

Donde x es un valor particular de X P: probabilidad de xito


y 1 p representa la probabilidad de un fracaso.
Distribuciones de Probabilidad
CARACTERISTICAS.
Cada vez que se especifica un grupo de parmetros
n y p se produce una distribucin binomial
particular.
La distribucin es simtrica si p = 0.50
La distribucin es asimtrica a la derecha si
p 0.50 y a la izquierda si p 0.50. Cuando n crece
y p se acerca a 0.50 la asimetra tiende a disminuir.
La esperanza de X se obtiene as

xdeX se
La varianza ( X) asnp
Eobtiene
V(X) = np(1p)
Distribuciones de Probabilidad

Debidos a las altas tasas de inters, una firma informa que 30%
de sus cuentas por cobrar de otras firmas comerciales estn
vencidas. Un contador escoge aleatoriamente una muestra de 5
cuentas.

1. Obtenga la expresin matemtica que define a la


distribucin de probabilidad del nmero de cuentas vencidas.
La expresin matemtica que definir a la distribucin de
probabilidad de X ser la correspondiente a un modelo binomial
con parmetros n = 5 y p = 0.30.
Esto es,
5
P ( X x ) ( 0.30 )x ( 0.70 )5 - x , x 0, 1, 2, , n
x
Distribuciones de Probabilidad

Determine la probabilidad de que:


2 cuentas estn vencidas
5
P ( X 2 ) ( 0.30 )2 ( 0.70 )3 10 ( 0.09 ) ( 0.343 ) 0.3087
ninguna este vencida 2
5
P ( X 0 ) ( 0.30 )0 ( 0.70 )5 ( 1 ) ( 1 ) ( 0.1681 ) 0.1681
0
al menos una este vencida
P(X1) = 1 - P(X=0)
= 1 - 0.1681 = 0.8319
todas estn vencidas

5
P ( X 5) ( 0.30 )5 ( 0.70 )0 ( 1 ) ( 0.0024 ) ( 1 ) 0.0024
5
Distribuciones de Probabilidad
La probabilidad de que un presunto cliente de un centro
comercial escogido aleatoriamente haga una compra es
0.20. Un vendedor visita a 15 presuntos clientes.

Determine la probabilidad de que:


Haga menos de 3 ventas.
La variable aleatoria X representar el nmero de
ventas realizadas en la muestra y
P(X3) = P(X 2) = P(X = 0) + P(X = 1) +
P(X = 2)
se obtiene aplicando un modelo binomial con
parmetros n = 15 y p = 0.20
Distribuciones de Probabilidad
Distribuciones Probabilidad

15
P ( X 0) ( 0.20 )0 ( 0.80 )15 ( 1 ) ( 1 ) ( 0.0352 ) 0.0352
0

15
P ( X 1) ( 0.20 )1 ( 0.80 )14 15 ( 0.20 ) ( 0.0440 ) 0.1319
1

15
P ( X 2) ( 0.20 ) 2 ( 0.80 )13 105 ( 0.04 ) ( 0.0550 ) 0.2309
2

Haga al menos tres ventas


P(X 3) = 1 - [P(X = 0) + P(X = 1) + P(X = 2 )]
= 1 - 0.3980 = 0.602
Determine el nmero esperado de ventas del vendedor y la desviacin estndar
del nmero de ventas.
E ( X ) = np = 15 ( 0.20 ) = 3 ventas
V ( X ) = np ( 1 p ) = 15 ( 0.20) ( 0.80 ) = 2.4 ventas
Distribuciones de Probabilidad

DISTRIBUCION DE POISSON

Ahora estudiaremos un proceso semejante al proceso de Bernoulli en el


cual los eventos ocurrirn en una porcin muy pequea que generalmente
ser de tiempo.

PROCESO DE POISSON

Consideremos una unidad t de tiempo, longitud, superficie, volumen, etc.


dividida en porciones t muy pequeas. Un proceso de muestreo
resultante de la posible repeticin de un mismo experimento aleatorio (
que llamaremos ensayo y cuyos resultados posibles sern llamados
observaciones en la porcin t ) ser un proceso de Poisson si cumple las
siguientes condiciones:
DISTRIBUCIONES DE PROBABILIDAD

Las observaciones en cada porcin t pueden


clasificarse en dos eventos E y F mutuamente
excluyentes y exhaustivos que llamaremos xito y
fracaso respectivamente.

La probabilidad de que se produzca un xito (E) es


muy pequeo y permanece constante en cada
porcin t. La probabilidad de que se produzcan dos
o ms xitos en una porcin t es tan reducida que
podemos asignarle un valor cero.

La ocurrencia de un xito ( E ) en la porcin t es


independiente de la ocurrencia de otro xito (E) en
cualquier otra porcin t.
Distribuciones de Probabilidad

EL MODELO DE POISSON

En un proceso de Poisson estaremos interesados en una variable aleatoria


X que representar el nmero de xitos en la unidad de tiempo,
superficie, volumen, etc. Supongamos que (lambda) representa el
nmero promedio de xitos en la unidad de tiempo, superficie, volumen,
etc, y que este valor se conoce por experiencia.
Entonces la distribucin de probabilidad de X definida por la siguiente
expresin matemtica, ser la distribucin de Poisson con parmetros ,o
simplemente el modelo de Poisson con parmetro .
x e-
,
P( X x )
x!
x = 0, 1, 2,
e = 2.71828
Distribuciones de Probabilidad

CARACTERISTICAS.

Cada vez que se especifica el parmetro se produce una


distribucin de Poisson particular.
La distribucin es siempre asimtrica a la derecha cuando es
pequea y se acercar a la simetra (con su punto ms alto en el
centro) segn aumenta .
La esperanza de X se obtiene as

X E(X)
La varianza de X se obtiene as

V(X) = x
Distribuciones de Probabilidad
EJEMPLO Suponga que el nmero promedio de llamadas que llegan a una Central
Telefnica es de 120 por hora.
Construya la expresin matemtica que define a la distribucin de probabilidad del
nmero de llamadas que ocurren en 3 minutos.
Podemos verificar la existencia de un proceso de Poisson.
En este proceso tendremos que: X representar el nmero promedio de llamadas que
ocurren en 3 minutos.
Entonces la expresin matemtica que va a definir a la distribucin de probabilidad de
X, ser la correspondiente a un modelo de Poisson con parmetro
Esto es,
120
( ) ( 3 ) 2(3) 6
60
Cul es la probabilidad de que:
Se reciban 2 llamadas 6x e- 6
P(X x) , x 0, 1, 2,
x!

Se reciba una llamada o ms


62 e- 6
P(X 2) 18 e- 6 18 ( 0.0025 ) 0.0450
2!
DISTRIBUCIONES DE PROBABILIDAD

LA DISTRIBUCION DE POISSON COMO UNA


APROXIMACION DE LA DISTRIBUCION
BINOMIAL

Cuando en una distribucin binomial n es grande y


p es pequeo, los clculos son bastante tediosos.
Afortunadamente podemos utilizar el modelo de
Poisson como una aproximacin del modelo binomial
haciendo = np. Una regla emprica conveniente
es que tal aproximacin se puede hacer cuando
n 20 y p 0.05.
Distribuciones de Probabilidad

DISTRIBUCION NORMAL

Funcin de densidad de probabilidad de una variable aleatoria X continua.


Es una funcin f : R R integrable, que cumple las siguientes condiciones:
i) f ( x) 0


ii) - f (x)dx 1

La probabilidad de que X tome un valor comprendido entre a y b ser la


siguiente rea. b
P(a X b) f (x)dx A
a
Distribuciones de Probabilidad

Esto es, el rea que existe entre la funcin, el eje


x y las rectas x = a y x = b.
F(x)

a b X
DISTRIBUCION NORMAL

Esta distribucin es considerada la ms importante por


las siguientes razones:

i) Numerosos fenmenos continuos parecen


seguirla o se pueden aproximar mediante ella.

ii) Se puede utilizar para aproximar distribuciones de


probabilidad de variables aleatorias discretas.

iii) Proporciona la base para la Estadstica


Inferencial.
Distribuciones de Probabilidad

EL MODELO NORMAL
Decimos que una variable aleatoria continua X, tiene una
distribucin normal con parmetros y 2, lo cual
denotaremos por X N ( , 2 ), si la funcin de densidad
de probabilidad de X est definida por:

2
1 x -
1 -
2
f (x) e , - x
2
e 2.71828
Distribuciones de Probabilidad

CARACTERISTICAS.

i) Es una familia de distribuciones normales de tal forma que


cada vez que se especifican los parmetros y 2 se
produce una distribucin normal particular.

ii) Los dos parmetros y 2 coinciden con la media


(esperanza) y la varianza respectivamente de X, esto es
E(X) =
V( X ) = 2 X = V( X )
iii) Tiene forma de campana y el valor mximo de f ( x ) ocurre
en x = . Tambin tiene puntos de inflexin que ocurren en x
= - y x = +

- +

iv ) La mediana y la moda coinciden con , y por lo tanto, es


simtrica con respecto a , as que
P ( X ) = P ( X ) = 1/2
Distribuciones de Probabilidad

v) A medida que x aumenta o disminuye a partir de ,


f ( x ) decrece uniformemente, de tal forma que cuando
x , f ( x ) 0. Esto significa que el eje X es
asntota de la curva normal,

vi) La posicin y forma de la campana depender


respectivamente de los valores y .
Distribuciones de Probabilidad

1 2
Distribuciones de Probabilidad

LA DISTRIBUCION NORMAL ESTANDAR


Si una variable aleatoria Z tiene una distribucin normal con
parmetros Z = 0 y Z = 1 entonces estamos en
presencia de un miembro muy honorable de la familia, que
llamaremos distribucin normal estndar. La figura siguiente
ilustra esta distribucin.

X -
X ~ N ( , ) Z ~ N ( 0 ,1)

Z = 1

Z = 0
Distribuciones de Probabilidad
EJEMPLO
Suponga para cierta marca y modelo de computadora, que el tiempo
de operacin en forma efectiva (antes de la primera descompostura)
sigue una distribucin normal con una media de 350 horas y una
desviacin estndar de 50 horas.

Cul es la probabilidad de qu una computadora de esa marca y


modelo opere efectivamente:

i) menos de 300 horas


ii) Por lo menos 280 horas.
iii) entre 300 y 400 horas
iv)En cuntas horas estarn descompuestas el 99% de esas
computadoras?
Distribuciones de Probabilidad
Suponga que un consultor estaba investigando el tiempo que emplearon los
obreros de una planta automotriz en montar una pieza despus de su
entrenamiento para realizar la tarea con un enfoque de aprendizaje individual. El
consultor determin que el tiempo en segundos invertido por los obreros
entrenados con este mtodo para montar la parte se distribua normalmente con
media de 75 segundos y desviacin estndar de 6 segundos

Cul es la probabilidad de que un obrero fabril seleccionado aleatoriamente


pueda montar la parte:
i) en menos de 75 o en ms de 81 segundos
ii) entre 68 y 81 segundos
iii) en menos de 62 segundos
iv) Cuntos segundos deben transcurrir antes de que el 50% de los obreros
fabriles monten la pieza

You might also like