UNIVERSIDAD NACIONAL DEL CENTRO DEL PERU

FACULTAD DE INGENIERIA DE MINAS

CURSO: ESTADISTICA

DISTRUCION DE PROBABILIDADES

Ing. Eli Teobaldo Caro Meza

HUANCAYO 2015 I
ALGUNAS DISTRIBUCIONES
DE PROBABILIDAD
IMPORTANTES
 INTRODUCCION
En muchas tareas o anlisis de aplicacin
estadstica, se busca determinar una
distribucin de probabilidad o modelo de
probabilidad que satisfaga un conjunto de
supuestos, para estudiar los resultados
observados de un experimento aleatorio
Se puede definir muchas distribuciones de
probabilidad tanto de variables aleatoria
discreta como de variable aleatoria continua,
pero no todos son modelos importantes.
 DISTRIBUCIONES IMPORTANTES DE
VARIABLE ALEATORIA DISCRETA
1) DISTRIBUCION DE PROBABILIDAD DE
BERNOULLI.
DEFINICION: Se denomina prueba o ensayo de
Bernoulli a todo experimento aleatorio que
consiste de solo dos resultados posibles
mutuamente excluyentes, generalmente
llamados: xito (E) y fracaso (F).
El espacio muestral asociado al experimento
aleatorio de Bernoulli se puede escribir como el
conjunto:
= {E, F}
DEFINICION: La variable aleatoria X definida en
de manera que atribuye a E el valor 1 y a F el
valor 0, se denomina variable aleatoria de
Bernoulli.
DEFINICION: Si al xito E se asigna la
probabilidad p = P[X = 1] donde 0<p<1,
entonces, el fracaso F tiene probabilidad
P[X=0]= 1 p. Luego, la distribucin de
probabilidad de Bernoulli de parmetro p esta
definida por:
X x=0 x=1
f(x) = P[X = x] 1p p
 En forma resumida por la ecuacin o
modelo (donde usamos por comodidad q
= 1 p)
f(x) = P[X = x] = pxq1-x, donde: x = 0, 1
La funcin de distribucin acumulativa
de Bernoulli es definida en la siguiente
tabla:
X x<0 0x<1 x1

f(x) = P[X = x] 0 1p 1
 DISTRIBUCIN BINOMIAL
Definicin
La v.a.d. X binomial es el nmero de xitos en n pruebas
independientes con dos resultados posibles (xito y fracaso) con
probabilidad constante de xitos y (1) de fracasos.

Funcin de probabilidad

n x
f ( x) f ( x; n, ) (1 ) n x ; x 0, 1, 2, ..., n
x
X es B(n, )

Medidas de resumen:

Media: = np

Varianza: 2 = np(1p)
 Aplicaciones de la distribucin binomial

Representacin de variables discretas

con RX = {0, 1, 2, , n}

Pruebas de hiptesis sobre una proporcin con muestras

pequeas.

Validez a travs de juicio de expertos.

Propiedades de la distribucin binomial

Es simtrica cuando = 0,5.

Es asimtrica positiva cuando < 0,5.

Es asimtrica negativa cuando > 0,5.

Ejemplo 1:

Distribucin binomial B(10; 0,6) (n = 10 y = 0,6)

Funcin de probabilidad

10 x 10 x
f ( x) f ( x; 10; 0,6) 0,6 0, 4 ; x 0, 1, 2, ..., 10
x
X es B(10; 0,6)

Medidas de resumen:

= 6; 2 = 2,4; = 1,5492; CV = 25,82%

Funciones de probabilidad y de distribucin
x f(x) Fa(x)
Funcin de probabilidad de la distribucin B(10; 0,6)
0 0,0001 0,0001
0,2508
0,25
1 0,0016 0,0017
0,215
2 0,0106 0,0123 0,20
0,2007

3 0,0425 0,0548
0,15
4 0,1115 0,1662

f(x)
0,1209
0,1115
5 0,2007 0,3669 0,10

6 0,2508 0,6177
0,05 0,0425
7 0,2150 0,8327 0,0403

0,0106
8 0,1209 0,9536 0,0001 0,0016
0,00
0,006

0 1 2 3 4 5 6 7 8 9 10
9 0,0403 0,9940 x

10 0,0060 1,0000

Otras medidas de resumen

Me = 6; Mo = 6
Clculo de probabilidades

1) P(X 5) = Fa(5) = 0,3669

2) P(2 < X 7) = Fa(7) Fa(2) = 0,8204

3) P(3 X < 6) = Fa(5) Fa(2) = 0,3546

4) P(X > 5) = 1 Fa(5) = 0,6331

5) P(X 15) = 1

6) P(X 20) = 0
Ejemplo 2:
La probabilidad de que cualquier pieza producida
por una maquina pase con xito una prueba de
control es 0,9. Si se controlan 10 de tales piezas y
si X denota el numero de piezas que no pasan la
prueba de control de los 10 escogidos al azar:
a) Defina el modelo de probabilidad de X. Qu
numero de piezas es mas probable que no pase el
control?
b) Calcule el numero de piezas que se espera no
pasen el control. Es cierto que la distribucin
estndar de la distribucin de X es menor que 0,9?
c) Determine la funcin de distribucin acumulativa
F(x) de X y aplicando esta, calcule la probabilidad
de que mas de 7 piezas pero no mas de 9, no
pasen la prueba de control.
Ejemplo 3:
En una tienda de alquiler de automviles,
cada vez que un cliente alquile un automvil
debe pagar como mnimo $4. Adems, si
alquila un auto tipo A debe pagar $15 mas, y
si alquila un auto tipo no A debe pagar $5
mas. La probabilidad de que cualquier cliente
alquile un auto tipo A es constante e igual a
0,7. Si cada uno de 5 clientes alquila un auto
en esta tienda:
a) Determine la distribucin de probabilidades del
numero de clientes que alquilen automviles
tipo A
b) Defina la funcin utilidad y calcule la utilidad
que espera la tienda si cada vez alquila 5
automviles.
 DISTRIBUCION DE
PROBABILIDAD DE POISSON
Bsicamente un experimento aleatorio de
POISSON es un proceso que consiste en
observar un numero X de veces que ocurre
un evento en una unidad de longitud dada.
Por ejemplo, observar el numero de
llamadas xi que recibe un celular en
periodos de 1 hora como se muestra:
x1 x2 etc. Tiempo
Definicin
La v.a.d. X de Poisson es el nmero de eventos
independientes que ocurren en un intervalo de tiempo, en
una regin plana o en un volumen (con un promedio dado).

Funcin de probabilidad

X es P()

Medidas de resumen:

Media: =

Varianza: 2 =
 Aplicaciones de la distribucin de Poisson

Representacin de variables discretas con RX = {0, 1, 2, }

Nmero de llamadas por minuto.

Nmero de accidentes por da.

Nmero de clientes por hora.

Nmero de bacterias en un m2.

Nmero de bacterias en un vaso de agua.

Propiedades de la distribucin de Poisson

La media y la varianza son iguales.

Ejemplo 1:
Distribucin de Poisson P(1) ( = 1)

Funcin de probabilidad

e11x
f ( x) f ( x; 1) ; x 0, 1, 2, ...
x!
X es P(1)

Medidas de resumen:
= 1; 2 = 1; = 1; CV = 100%
Funciones de probabilidad y de distribucin

Funcin de probabilidad de la distribucin P(1)

x f(x) Fa(x) 0,4

0,3679 0,3679
0 0,3679 0,3679
1 0,3679 0,7358 0,3

2 0,1839 0,9197

f(x)
3 0,0613 0,9810 0,2 0,1839

4 0,0153 0,9963
5 0,0031 0,9994 0,1
0,0613

6 0,0005 0,9991 0,0153

0,0031 0,0005 0,0001
0,0
7 0,0001 1,0000 0 1 2 3 4 5 6 7
x

Otras medidas de resumen

Me = 1; Mo = 0 y 1
Clculo de probabilidades

1) P(X 4) = Fa(4) = 0,9963

2) P(1 < X 4) = Fa(4) Fa(1) = 0,2605

3) P(2 X < 4) = Fa(3) Fa(1) = 0,2452

4) P(X > 5) = 1 Fa(5) = 0,0006

5) P(X 10) = 1

6) P(X 15) = 0
Ejemplo 2:
Suponga que llegan en forma aleatoria
una serie de llamadas a una central
telefnica con un promedio de tres
llamadas en intervalos de un minuto.
a) Calcule la probabilidad de que en cualquier
periodo de un minuto:
i. No ocurra llamada alguna
ii. Ocurran al menos 4 llamadas
b) Si cada llamada cuesta S/.0,50 Cunto es
el costo esperado por llamada?
NOTA: (Extensin o reduccin del
intervalo unitario)
La probabilidad de que ocurra k eventos
de Poisson en un intervalo de tiempo (o
en una regin de tamao) t es:

Donde:
: es el numero promedio de ocurrencias por
unidad de periodo o regin
t: es el numero promedio de ocurrencias de
eventos en el periodo (o regin) de tamao t
Ejemplo 3:
La empresa T&C produce un tipo de tela en
rollos de 100 metros. El numero de defectos que
se puede encontrar al desenrollar la tela es una
variable aleatoria de Poisson con un promedio de
4 defectos por cada 20 metros de tela.
a) Qu probabilidad hay de que al desenrollar un
rollo de tela cualquiera se encuentre menos de tres
defectos en los primeros 50 metros?
b) Calcule la probabilidad de que al desenrollar la tela
no se encuentre defectos en el primer segmento de
5 metros de tela.
c) Si se desenrollan 5 rollos de tela escogidos al azar,
Cul es la probabilidad de que no se encuentre
defectos en el primer segmento de 5 metros de tela
en al menos dos de ellos?